発話レベルの意図検出とトークンレベルのスロット補完は、タスク指向型システムにおける自然言語理解（NLU）の2つの主要なタスクである。従来の大多数のアプローチは、発話内に単一の意図しか存在しないことを仮定している。しかし、実際の場面では、発話内に複数の意図が含まれることが多い。本論文では、BERTを基盤とし、複数の意図検出とスロット補完を統合的に学習するためのマルチ意図NLUフレームワーク、SLIMを提案する。既存のアノテーションデータを最大限に活用し、スロットと意図の間の相互作用を捉えるために、SLIMはスロットと意図の多対一マッピングを学習する明示的なスロット-意図分類器を導入している。3つの公開マルチ意図データセットを用いた実証実験により、(1) SLIMが複数意図を伴うNLUにおいて、現在の最先端手法よりも優れた性能を示し、(2) スロット-意図分類器の導入が効果をもたらすことが確認された。