机器阅读理解是自然语言处理领域中一项十分重要的分支任务。该任务旨在让机器模仿人类的阅读理解能力,基于给定的背景文章来分析人们提出的问题并以自然语言的形式给出答案。近年来,随着深度学习技术与硬件技术的不断发展,人工智能的各个子领域都有了显著的进步。受益于各种深度学习网络的创新和大型问答数据集的出现,机器阅读理解领域的热度持续上升,同时也越来越具备挑战性。机器阅读理解领域发展至今,已逐步确立一套比较统一的算法框架,即“嵌入编码层—特征提取层—信息交互层—答案预测层”。该框架将文章与问题看做令牌序列,将其嵌入到计算机可处理的向量空间中,并根据后续的各种注意力机制进行信息交互,最终预测答案片段在文章中的位置。而在四层统一框架之外,近两年又出现了另一种基于预训练语言表征模型的“预训练—微调”算法框架。当前机器阅读理解模型存在的主要问题是:（1）基于传统四层框架的模型直接将文章和问题进行序列令牌化处理,导致模型推理过程中每个单词与符号的语义重要性过于平均化。然而位于相同句子和不同句子中的单词应当具有不同程度的关联度,因此现有方法会损失“句子”层次的语义信息,并会在文章中的无关内容上浪费部分计算资源。（2）基于“预训练—微调”模式的机器阅读理解算法存在的问题是,预训练语言模型的训练与调用对硬件的要求非常高,同时也因为整个框架中的语义处理过程完全封装在预训练模型中,导致其可解释性较弱。（3）当前机器阅读理解模型很少关注答案的可回答性,为了提高模型的阅读理解能力,训练模型对于无答案问题的判定能力是必要的。针对以上问题,本文提出了一种针对传统四层框架进行改进的基于显式定位的机器阅读理解模型,首先基于关键词的相似度信息显式定位到文章中与问题最相关的部分,再根据提取出的内容回答问题,形成了一种可解释性较高的模型。主要工作为:（1）我们首先根据研究需求对原始的斯坦福SQu AD1.1机器阅读理解数据集进行重新整理,生成两个新的数据集,即“文章—问题—答案所在句”和“相关内容—问题—答案”。（2）然后利用基于spacy的相关度算法,预测文章中与问题最相关的句子,并基于该中心句提取问题的相关内容。（3）在此基础上,根据提升了问题相关度的新背景文章,基于注意力机制进行语义分析进而回答问题。另外,本文提出了一种基于显式定位和单词位置信息的无答案问题检测模型,用于判定问题是否可根据背景文章进行回答,从而更进一步地提升了模型的阅读理解能力。主要工作为:（1）首先将原始的SQu AD2.0数据集整理成两部分,构建数据集时考虑原数据集中的无答案问题。（2）通过基于spacy的相关度算法定位到文章中与问题最相关的部分。（3）与基于显式定位的阅读理解模型不同的是,无答案问题判定模型将利用基于三角函数的位置信息进行深层次的语义分析,并对问题的可回答性进行判定。