机器阅读理解具有处理自然语言数据的能力,在智能信息检索、智能客服等多个领域都有重要作用,是实现通用型人工智能的关键技术之一,长期受到学术界和工业界的关注。伴随着深度学习技术的快速发展,机器阅读理解模型在一些单篇章短文本数据集上表现卓越,但这些模型难以应用于多篇章长文本阅读理解问题。现有模型一般将多篇章长文本切分为多个段落,通过集成不同段落的候选答案完成阅读理解,但这些方法存在答案被截断、文本整体信息缺失以及不同段落答案无法对比等问题。本文在预训练模型的基础上,构建了处理多篇章长文本的机器阅读理解模型,主要工作与创新点如下:（1）提出了一种句子级低冗余度文本切分算法,减小答案在文本切分时被截断的风险。首先,该算法以句子为基本单位将输入文本切分为段落;然后以段落为节点,以段落间重叠句子的长度构建有向边权重,将输入文本表示为有向图;最后,该算法采用有向图路径搜索方法求解最低冗余度切分方案。实验结果表明算法有效。（2）设计了一种以段落为单位的递归机制,处理文本整体信息缺失的问题。该机制可以使机器在阅读一个段落时,参考来自其他段落的语义信息,从而实现跨段落信息传递,避免长文本在切分为多个独立段落后整体信息缺失。实验结果显示,该机制可以提升阅读理解的准确度,对比较复杂的问题和文本提升更为明显。（3）设计了一个两步式段落过滤器,用于解决多篇章阅读理解中计算量过大的问题。该过滤器首先使用传统的BM25算法进行粗滤,再使用神经网络进行细滤,只保留对回答问题最重要的几个段落。实验结果显示该过滤器保留少数段落就可以达到较高的正确答案覆盖率,过滤效果良好。（4）针对答案抽取层无法对比来自不同段落候选答案的问题,设计了段落评分层,可以从候选答案所属的段落层面评价候选答案。将该层与答案抽取层结合可以更合理地进行跨段落答案对比。实验结果表明段落评分层可有效提升多篇章机器阅读理解的准确度。本文模型在CMRC数据集、军事机器阅读理解数据集上进行测试。实验结果显示,本文模型与基线模型相比Rouge-L提升了8.4%。最后搭建了原型系统,实现了智能搜索、智能问答等功能。