机器阅读理解是自然语言处理领域最热门的课题之一。特别是随着深度学习的兴起,机器阅读理解算法也得到了充分的发展。现有的机器阅读理解任务可以归结为4类,分别是:填空式阅读理解任务、选择式阅读理解任务、抽取式阅读理解任务和生成式阅读理解任务。抽取式任务是近些年研究频率最高的阅读理解任务,需要在大量文本中去寻找答案,而且文本中会出现一些似是而非的答案,对比其他任务,抽取式任务面临的问题也更困难。本文主要面向抽取式阅读理解任务,选择SQu AD数据集为对象进行研究,并针对SQu AD2.0数据集中新增加的无答案问题对算法进行了扩展。机器阅读理解算法可以粗略分为两大类:使用预训练模型的方法和不使用预训练模型的方法。在预训练方法中,大多是采取下游任务的微调。而不使用预训练模型的方法,虽然不及前者的性能,但是却可以给研究者们在模型创新方面,提供更多想象力的空间,促进我们探索不同的结构和模型背后的意义。本文尝试聚焦阅读理解模型结构本身,不使用预训练模型,并摒弃主流模型大多使用的循环神经网络结构,利用自注意力机制来构建编码层,构建机器阅读理解模型。具体来说,本文以QANet模型为基础,提出一种相对位置编码方案,并将其融入编码器结构,在预测答案终止位置时引入起始位置特征,并将模型扩展到包含“无答案”类型的阅读理解任务,提出了一种改进的基于自注意力机制的问答模型。本文的主要工作包括:1.针对绝对位置编码的不足,提出相对位置编码方案,并将其引入到模型的编码层和交互层中的自注意力机制模块。2.在输出层中引入新结构建立起始位置和结束位置的联系,以消除原始模型输出起始位置和结束位置的孤立。3.针对SQuAD2.0数据集中判断问题能否被回答的任务,在输出层增加一个分类模块,采用多任务方式进行联合训练。为了验证提出算法的有效性,在SQuAD数据集上进行了实验验证。实验结果验证了本文提出的相对位置编码方案与随机初始化位置编码和绝对位置编码相比具有明显的提升;在SQu AD1.1数据集上,本文方法与最好的对比算法R-Net相比,在EM和F1指标上分别提高了3.2%和3.9%;在增加了判断问题能否被回答的SQu AD2.0数据集上,本文方法与最好的对比算法Doc QA+ELMo相比,在EM和F1指标上分别提高了2.2%和3.1%。这表明我们所提出的方法对于抽取式阅读理解具有良好的性能。