对话式推荐系统（Conversational Recommender Systems, CRS）旨在通过自然语言对话主动挖掘用户偏好，并推荐高质量的项目。典型的CRS由两个核心模块构成：推荐模块用于预测用户偏好的项目，对话模块用于生成恰当的回应。为了构建高效的CRS，实现两个模块的无缝集成至关重要。现有方法通常采用语义对齐策略，或在两个模块之间共享知识资源与表示。然而，这些方法仍依赖于不同的架构或技术来分别构建两个模块，导致模块间难以实现高效融合。为解决上述问题，本文提出一种基于知识增强提示学习（knowledge-enhanced prompt learning）的统一CRS模型——UniCRS。该方法将推荐与对话两个子任务统一纳入提示学习范式，并基于固定的预训练语言模型（Pre-trained Language Model, PLM），利用知识增强型提示来统一完成两项任务。在提示设计中，我们融合了知识表示、任务特定的软标记（soft tokens）以及对话上下文，从而为PLM提供充分的上下文信息，以适配CRS任务。此外，在推荐子任务中，我们还将生成的回复模板作为提示的重要组成部分，以增强两个子任务之间的信息交互。在两个公开的CRS数据集上进行的大量实验表明，所提方法在性能上具有显著优势，验证了其有效性。