机器阅读理解,作为人工智能的关键研究方向,目前广泛应用在搜索引擎、对话系统等领域,其目的是让机器像人类一样阅读和理解文本内容。在机器阅读理解任务的众多分类中,本文以片段抽取式任务作为研究的目标,即在给定问题和上下文的前提下,要求模型从上下文中找到某一连续片段作为答案。在深度学习的框架下,这类机器阅读理解任务通常包含四个关键阶段（文本表征、特征提取、问题-上下文交互与答案预测）。本文面向特定领域文本,重点对其中的特征提取阶段和问题-上下文交互阶段展开研究。在数据集方面,目前特定领域相关中文资源仍然处于空白状态。针对该问题,本文构建了新的中文数据集News-CMRC。该数据集为解决中文新闻报刊领域的阅读理解问题而构建,能够增加机器阅读理解领域的语言多样性。针对特征提取阶段,本文提出基于意图的上下文筛选模型。首先使用一维卷积神经网络对问句文本进行多标签分类,得到问题意图。后将该意图与上下文中的实体内容进行匹配,借此寻找到拥有该意图的篇章片段信息,将符合条件的片段筛选出来作为备选答案。作为对照,本文还在News-CMRC数据集上使用了其他模型进行了测试,实验结果表明,该筛选过程可以有效减少上下文中无关信息对答案的影响,提高部分类型问题的回答准确性。针对阅读理解模型中的问题-上下文交互阶段,本文提出基于意图的多注意力机制模型,该模型以自注意力机制和双向注意力机制为基础。具体做法是将问题意图与问题文本结合成为标签化的问题之后,再与上下文信息一同送入注意力模型中。该模型使用BERT作为底层支撑,通过多注意力机制和前向神经网络对带有意图的问题和上下文进行编码表示。实验结果证明,问句与问句意图进行融合成为标签化问题之后,相比无标签问题,该模型能提高模型捕捉有效信息的能力、提高部分类型问句的回答准确率。综合本文研究工作,将所提出的模型应用于中文新闻报刊阅读理解的场景。本文最终设计并实现了新闻报刊机器阅读理解系统。同时将新的News-CMRC数据集作为模型训练的数据支撑、将基于意图的答案筛选模型和多注意力机制模型作为模型驱动。该系统能够在给定上下文的条件下,根据用户提出的问题从文中抽取连续片段作为答案,实现完整的工作流程。