近年来,人们在机器阅读理解的研究上取得了很大的进展。机器阅读理解的主要任务就是通过给定的文章和相对应的问题,利用模型的理解和推理能力给出问题的对应答案,因此如何提升机器阅读理解模型的推理能力,成为了机器阅读理解的重要研究方向之一。在机器阅读理解领域,大部分模型是针对特定阅读理解任务与数据集。本文分别针对离散推理和文本跨度预测类阅读理解问题提出相应的深度学习模型,并分别基于DROP（Discrete Reasoning Over Paragraphs）和NQ（Natural Question）数据集验证了模型的性能。针对离散推理类型阅读理解,现有的模型为了支持数字推理,大多是通过预测有符号的数字得到可以计算的算术表达式,并且被设计成只产生一个单一的跨度文本答案。上述机器阅读理解模型在DROP数据集上取得了不错的效果,但是它们对每个有符号数的预测是独立的,因此很可能会产生明显错误的表达式,并且它们没有考虑表达式的上下文信息,对于一些正确答案是由多个跨度组成的问题也不能很好地处理。针对上述问题,本文提出了一个融合强化学习的多跨度网络机器阅读理解模型（MSN-RL,Multi-Span Network for Machine Reading Comprehension with Reinforcement Learning）。针对有符号数的预测问题,引入了强化学习模块,通过环境的奖励反馈来学习模型参数;针对多跨度答案问题,提出了基于DBS（Diverse Beam Search）的多跨度预测模型,在输入文本中提取多跨度答案。在DROP数据集上的实验结果表明,与基准模型相比,本文提出的MSNRL模型在多跨度预测、数字推理等方面具有优势。针对文本跨度预测类型阅读理解,现有的模型大多通过注意力机制来捕获文章和问题之间的语义关系,从而预测跨度文本生成答案。上述机器阅读理解模型在NQ数据集上取得了不错的效果,但对于输入文本的语义信息建模不完整,并且无法捕获输入文本和问题之间的部分语义关系信息。针对上述问题,本文提出了一个融合上下文向量的答案标注网络机器阅读理解模型（ATCV,Answer Tagging for Machine Reading Comprehension with Context Vector）,ATCV分为长答案预测和短答案预测两大模块。针对长答案预测模块的输入文本的语义信息建模不完整的问题,引入了上下文向量;针对短答案预测模块的输入文章和问题之间的语义关系建模问题,提出了基于序列标注来提取短答案的方法。在NQ数据集上的实验结果表明,与基准模型相比,本文提出的ATCV模型在文本理解、答案预测等方面具有优势。