阅读理解不仅需要理解文本中所阐述的内容,还需要理解字里行间的内容。在自然语言处理领域,诞生了诸多预训练模型,这些模型从开放的语料库中学习到了渊博的知识,从而提升了如问答、智能对话等多领域数据集上的表现。然而,让机器能够理解生活情境常识时,效果却不理想。这是因为现有的模型未能引入、融合常识知识实现机器本身的自我理解。针对这一问题,本论文开展基于生活情境常识的机器阅读理解研究。作为实现机器智能理解常识知识的关键任务之一,生活情境常识源于生活中的故事,从中寻找问题,并发现与选项之间的关联度。因此十分考验机器对生活情境知识的理解、语义的分析和部分推理能力。围绕这一相关内容,本文主要开展以下研究工作。（1）针对中文生活情境常识的多项式机器阅读理解,选择一个自由形式的多项式中文机器阅读理解数据集,该数据集是康奈尔大学的留学生发布。本文采用BERT模型,在基础模型上对输入层、编码层和输出层进行改进。通过在输入层将上下文、问题和答案通过序列化标记成为一个新的序列,交互层对上下文、问题和候选项加入多头注意力机制,并修改掩码机制的占比,最终在测试集上进行可靠性验证。实验结果表明,在基础模型上改进后的模型在CD~3,CM~3和C~3准确率达到62.28%、63.33%和63.07%。修改掩码机制占比后,全词遮蔽比掩码机制为15%在准确率上分别提升了0.95%、2.52%和1.77%,呈现出的效果较好。（2）针对英文生活情境常识的多项式机器阅读理解,选择日常叙述故事的大规模数据集Cosmos QA和富有基础性常识推理的SWAG数据集,来验证不同方法在数据集上的泛化能力。在该类任务中,本文针对语义的匹配采用基于语义匹配的Co-matching模型,双重协同匹配网络的DCMN+模型,以及预训练模型GPT、BERT和融合多头注意力机制BERT模型。通过不同的方法在数据集上进行验证,进一步证明了融合多头注意力机制BERT模型的泛化性能。