作为自然语言处理中的一项重要任务,机器阅读理解（Machine Reading Comprehension,MRC）已经受到了业界内广泛的关注,大量研究人员正积极探索这一新兴领域。其具体指的是让机器依据给定的文本信息来回答一个语义相关的问题,通常这是一个较复杂和漫长的流程,涉及到语义编码、信息融合、模块交互等众多方面。而多跳MRC则在此基础上提出了更高的要求,要求机器具备推理能力,本文就此任务展开研究。多跳MRC的任务类型分为多种,本文主要聚焦于多选式任务。我们在对领域研究现状进行总结和分析的同时,发现分层记忆网络可以通过迭代来逐步编码文本的深层语义,同时其也可以接收来多方的输入。受此启发,我们设计了一个基于记忆网络的推理模型,即SMR。SMR可以充分利用任务提供的多种文本,循环使用记忆网络构建推理路径。考虑到路径的序列特点,SMR采用一个带有注意力机制的迭代LSTM网络逐一节点的评估和集成推理结果,最终完成答案的预测。另外,我们也了解到Transformer模型在协调多方语境方面的优势,特别是针对多跳MRC这种提供问题、文档等多方文本的情况,其可以很好的接收各方输入,用于后续信息处理。而其编码-解码式的运作机制也很适合展开动态推理,一方面编码结构可以通过连续编码语义来应对不断变化的外部环境,另一方面解码结构可以基于编码的结果解码出任务相关的重要信息,并构造一条逻辑路径。基于此,我们在改进Transformer动态框架的基础上,提出了一个循环推理模型,即SCR。同样的,SCR最终也是通过路径评估的方式来预测答案。我们上述提出的两个模型中,都离不开一个推理基点:句子。我们通过观察和记录人类的推理过程发现,人类在进行多跳推理时,第一步通常是寻找问题中的关键词,然后在关键词的基础上进行信息跳跃。而跳跃的单位主要就是句子,即寻找一个包含该关键词的句子,如果符合认知逻辑,则完成一次推理,否则继续寻找。最终,人类可以通过这样一个反复的过程来解决多跳任务。受此启发,我们在设计模型时充分考虑到了句子在推理中的重要作用,把句子作为关键信息的载体,在句子层级实施信息跳跃,构建基于句子的路径。而为了锲和人类处理多跳问题的第一步,我们提出的方法采用相似的方式,即抽取问题关键词来启动推理。故而,我们上述的两个分别基于分层记忆网络和动态框架的方法也可被叫做句子推理模型。进一步的,受到业界在GNN方面研究的启发,我们认识到,图的节点可以作为推理基点,而图的连边可以搭建信息间的联系以及进行信息传输。同时,之前的工作已经显示,实体、句子、候选都可作为图节点,并可以达到较好的效果。结合上述,我们构建了一个拥有实体、句子和候选三种节点的图,提出一个基于图推理的多跳模型,即SECr。和前两个模型不同,SECr没有路径评估阶段,而是通过信息传递算法直接把推理结果凝聚在一个节点上,最终通过对节点的评估来预测答案。综上,我们在本文对多跳MRC任务的研究意义、发展现状、相关技术等进行了详细的阐述,并针对多跳MRC任务提出了三个新颖的模型。在真实数据集上的评测结果显示,其效果相较于以前的方法均获得了显著的提升,从而验证了模型推理的有效性。另外,我们也通过大量的分析来演示推理过程和检验各子模块的贡献度。