在真实场景中，用户通常会在同一句话中表达多个意图。然而，现有的语音语言理解（SLU）模型大多仅针对单一意图场景进行设计，或仅对所有词元（token）统一引入一个全局意图上下文向量，忽略了词元级别槽位预测中对细粒度多意图信息的有效融合。为此，本文提出一种自适应图交互框架（Adaptive Graph-Interactive Framework, AGIF），用于联合实现多意图识别与槽位填充。该框架引入了一种意图-槽位图交互层，以建模槽位与意图之间的强相关性。该交互层可自适应地作用于每个词元，能够自动提取与当前词元相关的意图信息，从而实现细粒度的意图信息融合，提升词元级别的槽位预测性能。在三个多意图数据集上的实验结果表明，所提框架显著提升了性能，达到了当前最优水平；此外，该框架在两个单一意图数据集上也取得了新的最先进（SOTA）性能。