近年来,随着信息技术的不断发展,自然语言处理的研究逐渐转向自然语言理解的研究,机器阅读理解便在这个大背景下应运而生。机器阅读理解不仅仅是对文字的“感知”,更是对文字的“认知”。机器阅读理解任务要求机器理解上下文本信息后,准确地回答出相关的问题,其结果可以用来评估机器的阅读理解能力。通常情况下,该任务需要机器能够对文本中的单词进行词性标注和命名实体识别找出其中的实体信息,更深层的则是需要机器执行句法分析来理解文本中的语法结构或者进行指代消解来理解文本等。目前,机器阅读理解在中英文领域上已经取得了显著的成绩,但是针对藏文的研究却面临着诸多问题,目前仍处于探索阶段。首先,藏文机器阅读理解任务缺乏大规模公开的、高质量的数据集;其次,采用纯人工构建的方式比较耗时,如何利用机器辅助生成问句成为尚待解决的问题;最后,传统的中英文机器阅读理解方法直接应用到藏文任务上,存在藏文信息遗漏,模型“理解能力”不足等问题。基于以上问题,本文针对藏文机器阅读理解任务展开了研究,主要工作如下:第一,本文构建了一个高质量的藏文机器阅读理解数据集TibetanQA（Tibetan Question Answering Dataset for Machine Reading Comprehension）,该数据集涵盖了 12个领域的事实性知识和20,000条问答对。针对构建的数据集,本文从问题类型、逻辑推理、答案类型、段落长度等方面进行了多维分析,并采用基于语言特征消融的方法对数据集进行评估。实验结果显示TibetanQA数据集在词语理解、语义构成、内部语境理解和前后关联等方面具有考察能力,可以用于评估模型对藏文文本的阅读理解能力。第二,本文提出了一种基于奖励机制的序列到序列藏文问句生成模型TQGR（Tibetan Question Generation based on Rewards）。为了解决问句生成中存在未登录词和低频词的问题,该模型采用了“生成-复制”机制和注意力机制相结合的方式去生成问句,同时引入“奖励机制”对生成的问句进行评分并反馈给生成器,优化问句的流畅度和上下文相关度。实验结果表明TQGR模型在ROUGE-L上达到了 38.54%,比传统的序列到序列模型效果提升了 11.41%。第三,本文提出了一种基于多级注意力机制的藏文机器阅读理解模型Ti-Reader（Tibetan Reader）。首先,本文提出了一种融合藏文音节信息的词向量表示方法。其次,针对模型能力不足的问题,采用了一种多级注意力结构。在词级别引入注意力机制来提取文章中的关键词,在句子级别采用重读机制来获取文章中关键句子信息。同时引入自匹配机制对文章的信息进行再次地“阅读”,避免因问题和文章在形式上存在一定的差异而导致模型遗漏一些关键的信息。实验表明,在藏文数据集上Ti-Reader模型的F1值取得了77.4%的准确率,较基线系统最大提高了 14.0%。