随着预训练语言模型在自然语言处理（NLP）任务上的应用，意图检测（ID）和槽位填充（SF）联合建模提高了口语理解的性能。现有方法大多关注意图和槽位的相互作用，忽略了差异文本序列建模对口语理解（SLU）任务的影响。因此，提出一种基于多任务学习的意图检测和槽位填充联合方法（IDSFML）。首先，使用随机掩盖mask策略构造差异文本，设计结合自编码器和注意力机制的神经网络（AEA）结构，为口语理解任务融入差异文本序列的特征；其次，设计相似性分布任务，使差异文本和原始文本的表征相似；最后，联合训练ID、SF和差异文本序列相似性分布三个任务。在航班旅行信息系统（ATIS）和SNIPS数据集上的实验结果表明，IDSFML与表现次优的基线方法SASGBC（Self-Attention and Slot-Gated on top of BERT with CRF）相比，槽位填充F1值分别提升了1.9和1.6个百分点，意图检测准确率分别提升了0.2和0.4个百分点，提高了口语理解任务的准确率。
