机器阅读理解（MRC）要求机器根据所给的段落和问题回答答案,MRC任务在一定程度上体现了NLP当前的发展水平。近年来,BERT等预训练语言模型在包括机器阅读理解等众多任务上取得了卓越的进展,但仍存在预训练过程和阅读理解任务形式不一致而引入误差、模型训练目标和评价指标不一致而引入误差、模型缺少推理能力和反向思考能力等问题。本文在预训练语言模型的基础上,提出了一种融合多重思维的阅读理解模型。该模型充分挖掘段落、问题和答案三者之间的关系,将阅读理解重新定义为一个先生成后选择的两段式任务。答案生成模型在基于Sequence to Sequence模型的基础上对编码器、解码器和答案生成方式均作了改进,答案选择模型则利用对比学习改进了最终答案的选择方式。为了验证模型的有效性,本文设计了相应的多重认知神经网络用于中文机器阅读理解数据集Du Reader。针对编码器部分,首先对机器阅读理解任务在通过预训练语言模型编码时需将段落和问题拼接编码而引入误差的问题提出了精读模块。精读模块可以根据注意力机制对预训练语言模型输出向量进行二次编码得到和问题强相关的段落向量。其次模拟人类推理过程提出推理模块,将精读模块编码的向量和问题向量通过多步运算推理得到最终推理结果。编码器部分分别从正向和逆向两个方向推理得到结果向量,并对结果向量通过一定比例融合来模拟逆向思维在人类阅读理解中对正向思维的辅助作用。解码器部分采用类Transformer解码器,引入和问题向量的互注意力计算,使模型在解码过程中每个时间步都对问题保持高关注度。字符生成方式采用指针生成网络,以最大程度还原段落中的细节。答案选择模型使用对比学习将答案生成模型生成的答案向量和prompt模板生成的“标准答案”向量按照真实评价指标顺序做排序对比,让模型学习到什么样的答案能获得更高评分的逻辑思维后进行答案的选择。最终,模型在DuReader数据集上ROUGE-L和BLEU-4两项指标分别达到了54.71和40.46,和基线模型相比ROUGE-L分数提升了14.2%,BLEU-4分数提升了4.1%,并通过消融实验证明了模型每部分的有效性。