随着人工智能的兴起和深度学习研究的进步,自然语言处理（Natural Language Processing,NLP）成为计算机学科和人工智能领域的重要分支之一,NLP的最终目标是计算机能够具备阅读和理解语言的能力,实现人类运用自然语言和计算机进行沟通交流。现在典型的研究方向有文本分类、命名实体识别、信息检索、关系抽取和问答系统等。机器阅读理解（Machine Reading Comprehension,MRC）题目主要包含三个组成部分:文章（Passage,P）,问题（Question,Q）和答案（Answer,A）。机器阅读理解的任务是计算机在输入文章和问题之后,通过一定的判断和推理,最终给出答案。阅读是人类的基本技能之一,人类可以根据以往的生活经验,给出具有自己特定的答案。而机器不具备这样的能力,每一个模型的设计之初都是崭新的。因此,模型需要具备学习的能力,在问题回答完之后,能够总结经验,形成一套自己的阅读推理体系,来回答更多未知的题目。本文提出了一种基于语义信息的注意力神经网络模型,能够根据中文的分词特点和上下文的语言环境,提取相关信息。首先,在嵌入层改进了BERT预训练语言模型,优化预处理,更好的适用于中文阅读理解题目。其次,处理过的词向量通过双向LSTM编码,提取内部特征信息,在编码层通过注意力机制把问题和文章进行加权融合,生成问题感知的短文上下文语义理解,得到最终的原文表示。同时在编码层、交互层和检查层三层神经网络之间加入了两个门控函数tanh,用来去掉与答案无关的信息,增加相关信息的权重。再次,在交互层使用self-attention在全文中捕捉信息,将问题和文本逐字交互收集回答问题的有效证据,再通过解码形成最终语义表示。最后,增加了检查层check layer,把问题和答案再次进行attention计算,强调问题特征的重要性,防止信息在神经网络中传递时丢失。在输出层使用经典的答案预测网络point network,来预测答案的开头和结尾位置的概率。另外,由于网络结构较复杂和数据量不足,模型容易产生过拟合的问题,增加了增强数据集。本模型在中文阅读理解数据集CMRC 2018上进行了验证,并且和著名的预训练语言模型BERT进行了比较,其中,EM值和F1值分别提高了5.2%和5.5%。在英文数据集SQuAD的测试集上,模型的EM值和F1值分别提高了5.3%和4.7%。通过对数据集的扩充,增加训练规模,优化了模型的性能,同时也证明了改进方法的有效性。为了更直观地演示模型的效果,设计了一个仿真交互界面,实现对本模型的验证和测试。