近年来,随着人工智能和自然语言处理技术的发展,机器阅读理解技术受到广泛的关注。这项技术赋予了计算机理解文章的能力,从而辅助用户快速得到问题答案。然而,现实中的文本含有大量的数值词符,该类数值文本难以被直接建模。与非数值词符相比,数值词符还包含数值离散信息,例如数值之间包含大小等偏序关系、数值之间可以进行四则运算等。如何对数值离散信息进行建模还未被深入研究。本文在机器阅读理解原有的研究成果上,针对数值离散信息在机器阅读理解算法中的建模展开研究。这一领域主要分为端到端和两阶段这两类算法,本文对这两类方法分别进行研究并针对其中的不足进行改进。本文主要工作包括:一、传统端到端模型缺乏对数值离散信息的显式建模,这可能导致数值信息的损失。对此,本文结合位置编码技术提出数值位置感知的文本编码器NPAE（Number Position Aware Encoder）。相比于传统的Transformer编码器,NPAE对文本中数值词符的偏序关系进行显式建模。具体而言,NPAE将数值间的偏序关系分成绝对偏序关系和相对偏序关系,并仿照位置编码在Transformer的输入和自注意力模块对两种偏序关系进行建模。本文在数据集Drop上的实验证明,使用NPAE编码器的模型在F1和EM指标上有所提升。此外,本文通过对比实验探究了NPAE相关超参数的重要性和最佳配置。二、两阶段模型本身具有建模离散信息的潜力,其建模能力主要取决于第一阶段表达式生成的效果。然而,现有方法在该阶段的训练受到监督信号质量较低且缺失数值离散信息的限制,难以对数值离散信息充分建模。对此,本文结合语义角色标注和语义解析技术提出一套注重数值信息的阅读理解任务数据增强方法QRCDA（Quantity Reading Comprehension Data Augmentation）。QRCDA采用解析-执行-翻译的流程构造高质量监督信号。为了生成包含数值离散信息的监督信号,本文提出了数值信息敏感的翻译技术。该技术在生成监督信号时保留了数值离散推理相关的内容,舍弃了匹配推理相关的内容。为证明方法有效性,本文基于两阶段模型Ne Rd在Drop数据集进行数据增强。实验结果表明,带有QRCDA的模型在F1和EM指标上优于原有的模型。此外,本文通过对比实验验证了QRCDA中数值信息敏感翻译的重要性。