机器阅读理解是自然语言处理领域的一个重要且富有挑战性的任务,阅读理解能够让机器通过阅读文章,理解其中的语义信息,当被问到与文章相关的问题时,能够自动给出答案。传统的机器阅读理解是使用人工特征和统计学习方法进行建模,根据不同联合概率映射函数进行匹配,受数据集和机器硬件的限制,模型的效果较差。近来随着优质的大规模数据集的发布和深度学习技术的发展,目前机器阅读理解工作中利用神经网络自动学习文章和问题的特征,克服了传统机器阅读理解方法当中人工挑选特征的局限性,但是通过对具体模型的细节分析,发现目前效果较好的阅读理解模型方法中仍存在一些问题需要去解决,下面介绍本文研究工作。第一,在基础模型BiDaf中,当问题里出现答案中的词时,正确率较高,但是当问题中使用意译或者同义词替换,模型正确率明显降低。且单独的注意力机制对于文章和问题信息交互关注度不够深入,模型的理解程度比较浅显,针对该问题,本文提出融合义原信息的多层次注意力阅读理解模型,义原信息使得模型能够获取不同语义信息,减少局部信息的过度关注和注意力的偏移误差。第二,目前被广泛采用的基于端到端的机器阅读理解方法虽然能够学习一定的文本结构信息,但是对于长文本内容的阅读理解容易被无关词信息干扰,进而不能挖掘出更深层次的语义信息。针对该问题,本文提出了一种融入依存句法知识的机器阅读理解方法,预训练模型的词嵌入不仅可以为阅读理解模型引入大量的先验知识,同时能够克服训练数据不足的缺点,通过将依存句法知识显式地融入当前预训练模型中,有效提高了阅读理解模型的准确性。