近年来,机器阅读理解（Machine Reading Comprehension,MRC）社区取得了显著进展,但大多数工作是围绕英文阅读理解开展的。而英语以外的其他语言（如汉语、韩语、法语等）阅读理解,由于缺乏大规模的训练数据,还没有得到很好的解决。另一方面,一些阅读理解由于数据构建方法复杂且需要多种复杂阅读理解技能（如指代消解、跨句推理等）处理,导致训练集数据稀缺,机器和人类性能之间也存在巨大差距。为了解决低语言资源和低资源复杂文本机器阅读理解问题,本文开展了低资源机器阅读理解研究,主要内容如下:（1）双语机器阅读理解数据集构建。现在大多数阅读理解数据集都是英文的,其他语言的数据集非常少,本文从中英双语小说中构建了一个双语抽取式阅读理解数据集BiPaR。与已存在数据集最大的区别是:BiPaR的文章、问题和答案都是中英双语且对齐的。得益于双语平行特性,BiPaR支持单语、双语以及跨语言MRC任务。本文规范了抽取式阅读理解数据集的构建过程,并详细统计了数据集的各项指标。此外,通过抽样分析BiPaR数据集,本文发现回答这些小说问题通常需要非常复杂的阅读理解技能,如指代消解、跨句推理以及隐含因果关系理解等。本文也详细分析了机器与人类性能之间的差异,进一步验证了 BiPaR具有很大的挑战性。（2）基于多策略的低语言资源机器阅读理解。为了解决英语以外的其他语言阅读理解缺乏大规模训练集的问题,本文设计了三种策略来利用高资源的英文数据以改善低语言资源阅读理解。第一种是基于翻译的数据增强策略,它使用翻译器将英文数据翻译为低语言资源数据,然后将其加入到低语言资源的训练集中一起训练模型。第二种是基于高速网络的双语训练策略,它直接将两种语言的训练集混合,在训练过程中通过语言鉴别器和高速网络自动识别语言。第三种是基于词嵌入映射的跨语言知识迁移策略,它首先使用英文数据训练一个阅读理解模型,然后将低语言资源的词嵌入空间映射到该模型的英文词嵌入空间,同时将该模型参数作为低语言资源模型的初始参数,最后进行微调。本文在CMRC2018、DRCD、BiPaR三个数据集上的实验结果和分析证明了这些策略能够有效利用高资源的英文数据来改善低语言资源阅读理解。（3）基于文档级图卷积神经网络的低资源复杂文本机器阅读理解。为了解决部分阅读理解数据因构建方法复杂且要求多种阅读理解技能处理而导致的训练集稀缺问题,本文提出了文档级图卷积神经网络模型来帮助机器学习复杂阅读理解技能。该模型使用句法分析和指代分析将文章转化为文档图,然后使用图卷积神经网络建模文档图,将文档图表示和BERT预训练模型表示融合,得到最终的问题感知上下文表示,并预测答案位置。本文在BiPaR和QUOREF两个数据集上的实验结果和分析证明了该模型使得句内和句间单词交互更深,机器在指代消解和跨句推理上更加有利,即使在低资源情况下,阅读理解性能也能得到进一步提升。本文从语言资源和复杂技能两个角度出发研究了低资源机器阅读理解的解决办法,其主要贡献如下:首先,构建了一个双语的阅读理解数据集,该数据集作为了后两个研究点的支撑数据之一;其次,从知识迁移的角度提出了三个策略以利用高资源的英文数据来改善低语言资源阅读理解,这些策略不仅仅适用于中文,对其他语言也非常通用;最后,将预训练模型BERT和图卷积神经网络结合,通过建模文档图让模型在训练过程中学习复杂阅读理解技能,以解决低资源复杂文本阅读理解。