机器阅读理解（Machine Reading Comprehension,简称MRC）是智能问答领域的重要研究方向,旨在驱动机器理解给定的段落并回答相应问题。MRC技术对于提升智能对话、智能检索和智能客服有较高的应用价值。然而,在上述场景的真实语言环境中,MRC模型依然受限于表达不规范和噪声误导的问题,并未具有较高的鲁棒性,具体表现为（1）易受到语义扰动影响、（2）无法过滤噪声文本和（3）泛化能力不足。上述三项不足分别出现于抽取式MRC,开放域MRC和多答案MRC任务之中。因此,本文集中研究上述三个MRC任务,并逐一对影响MRC鲁棒性的关键问题进行研究。具体地,本文研究内容包括如下三个方面:首先,抽取式MRC的任务是针对给定段落进行深度语义理解,从而完成精准的答案提取。现有MRC模型难以克服该任务中的语义扰动问题,主要原因是复述句中的字面差异与干扰句中的浅层线索,对MRC模型产生了严重的误导。为此,本文提出一种多任务学习方法,在抽取任务中强化模型语义理解能力,从而克服复述句中的字面差异干扰。同时,本文采用外部数据进行多阶段微调,从而提高对段落中浅层线索干扰的抵抗能力。此外,为验证MRC模型的抗干扰能力,本文针对上述两类语义扰动分别构建了对照测试数据集,并通过实验证明了上述方法可以有效提高MRC模型的鲁棒性。其次,开放域（Open-domain）MRC是传统MRC的基础上提出的全新挑战,需要首先获取潜在答案的段落,并对获取到的段落进行语义理解,从而得到答案。因此,开放域MRC对相关段落检索的精准性具有较高的依赖性。现有研究发现,段落检索过程中的潜在噪声容易对MRC模型造成极大干扰。为此,本文提出一种知识交互与噪声屏蔽的方法。针对检索得到的段落,本文首先采用自注意力模块对段落文本进行知识交互。在此基础上,本文利用自注意力分数调整段落文本的权重,以此屏蔽其中的噪声文本,从而提高MRC模型抵抗噪声干扰的能力。最后,多答案（Open-ended）MRC是上述两个任务的拓展。该任务针对开放性问题进行答案求解,要求MRC模型具备生成多样性答案的泛化能力。为此,本文提出一种融合外部知识的答案生成方法。该方法首先借助知识图谱,合成具有多样性答案的训练样本,并对生成模型进行多阶段微调。在此基础上,该模型结合外部知识对生成结果进行重排序,根据排序结果择优选出多样性的候选答案,以此提高多答案MRC的泛化能力。本文聚焦于面向MRC任务的鲁棒性优化方法进行研究,从抗语义扰动,屏蔽段落噪声以及提高泛化能力的角度进行技术突破。针对不同鲁棒性问题,本文分别选取对应任务的数据集进行实验,实验结果证明了上述方法的有效性。具体地,抗语义扰动方法在自主构建的两类语义扰动测试集上,分别取得了 12.8%和9.2%的F1值提升;屏蔽噪声方法在Commonsense QA数据集将正确率提高了 4.9%;融合外部知识的生成方法在ProtoQA数据集的关键指标MaxIncorrect@3上取得了 4%的性能提升。