机器阅读理解在自动问答任务中是一项较为复杂的任务。机器阅读理解是通过计算机阅读文本,对文本内容进行理解从而找出或者推理出问题的答案的技术。阅读理解也是人类各种语言的测试题型之一,在人类的高级阅读过程中不仅仅要对原文内容进行理解,更需要有进一步的分析和综合。受益于深度学习技术的快速发展,基于机器阅读理解任务的各种大型数据集的不断推出,使得机器阅读理解任务也有了新的进展。尽管目前机器阅读理解发展的很迅速,目前主流的机器阅读理解模型在回答抽取式机器阅读理解任务已经能够超越人类水平,但是这些主流的模型仍然是停留在语义匹配层面,与真正的“理解”二字距离还比较遥远。对于更为复杂的阅读理解任务并不能很好的得到结果。本文根据当前机器阅读理解任务所面临的一些问题和本文所使用的特定领域阅读理解任务数据集的相关特点,设计了一种具有针对性的机器阅读理解答案抽取方法。本文首先针对一个完整的机器阅读理解数据集（其中包含了各种不同类型的抽取式机器阅读理解数据,根据答案类型进行分类有单答案问题、多答案问题和推理问题）进行分类;通过将数据集进行分类之后,针对多答案问题的数据特征,利用多答案问题的一些结构化特点将其逐步分解为单答案,之后利用基准机器阅读理解模型对分解后的单答案进行答案抽取;最后针对推理问题答案求解,根据多答案问题数据格式将推理问题进行分解,将一个完整的推理问题分解为两个子问题,其中首先使用最长公共子序列获取标注数据,之后利用Bi-LSTM训练一个子问题拆分模型,针对拆分的问题其第一部分问题为了求解桥接实体,第二部分问题通过获得桥接实体再求解最终答案。