随着近年来人工智能和自然语言处理(NLP)研究的飞速发展,人们对计算机理解自然语言的程度提出了新的要求。本文所需解决的论证推理任务是自然语言理解研究的基础任务之一,与信息提取、机器问答、机器理解、文本分析等自然语言处理研究领域有着密切的关系,因此受到世界各研究机构和研究人员的关注。论证推理是自然语言理解的一个重要组成部分,在本文中,引入了一个自然语言论证推理任务以及相关数据集,给定一个原因(Reason)和一个观点(Claim),从两个论据(Warrant)中选择一个正确的内因论据(Implicit Warrant),使原因得以支持观点,以构成一个合理的三段论结构(Reason,Warrant,Claim)。我们基于深度学习的方法,使用预训练的、包含一定信息的Word2vec和Glove词向量模型,为原因、论据、观点构造词向量,用词向量表征文本的语法和语义信息。使用一系列如卷积神经网络(CNN)、长短时记忆模型(LSTM)、双向长短时记忆模型(BiLSTM)、注意力机制(Attention Mechanism)的深度学习模型构造了一系列端对端的论证推理系统,通过实验比较其论证推理能力。最终通过ensemble机制进行模型集成以提高单个系统的准确率,提升泛化能力。通过深度学习模型实现了在验证集上67.09%和在测试集上56.21%的准确率,又通过模型集成实现了在验证集上68.67%和在测试集上56.63%的准确率,证明基于深度学习和模型集成的方法可以较好的解决自然语言论证推理任务。