近期研究在端到端任务导向对话系统方面取得了显著进展。然而，大多数神经网络模型依赖大规模训练数据，而这类数据仅在少数特定任务领域（如导航和日程安排）中可用。这使得在标注数据有限的新领域中实现系统可扩展性变得极为困难。此外，如何有效利用所有已有领域的数据来提升各领域乃至未见领域的性能，相关研究仍相对不足。为此，我们提出了一种能够显式利用领域知识的方法，并引入一种共享-私有网络结构，以同时学习跨领域的共享知识与各领域特有的专有知识。此外，我们提出一种新颖的动态融合网络（Dynamic Fusion Network, DF-Net），能够自动挖掘目标领域与各个其他领域之间的相关性，并据此进行自适应融合。实验结果表明，所提模型在多领域对话任务中优于现有方法，达到了当前文献中的最先进水平。更重要的是，在仅有少量训练数据的情况下，该模型仍展现出优异的迁移能力，平均性能超越先前最优模型达13.9%。