话语级意图识别与词元级槽位填充是任务导向型系统中自然语言理解（NLU）的两项关键任务。现有大多数方法均假设单个话语中仅包含单一意图，然而在真实应用场景中，一个话语内往往包含多个意图。本文提出一种名为SLIM的多意图NLU框架，基于BERT实现多意图识别与槽位填充的联合学习。为充分挖掘已有标注数据并捕捉槽位与意图之间的交互关系，SLIM引入了一个显式的槽位-意图分类器，用于学习槽位与意图之间的多对一映射关系。在三个公开多意图数据集上的实验结果表明：（1）SLIM在多意图NLU任务上显著优于当前最先进的方法；（2）槽位-意图分类器的引入带来了明显的性能提升。