近年来关于机器阅读理解（Machine Reading Comprehension,MRC）的研究持续火热,机器阅读理解任务可以看做是基于文本的问答系统,给定一段上下文和问题,机器得出答案。MRC任务衡量了机器理解人类自然语言的能力,并且在实际生活中具有很高的应用价值。多步推理机器阅读理解相比传统专注单篇文章的阅读理解方法,更加强调机器的推理能力,旨在要求系统结合多篇文档的多个推理事实进行推测,进而得出最终答案。我们提出了一种有效的基于图卷积神经网络的多步推理机器阅读理解方法,在对上下文进行文本特征提取后,截取实体并Self-Attention,实体索引由字符串匹配得到,通过这种方式得到答案在文本中的实体表示,每个实体能够充分融合上下文和实体内部字符的的信息。在利用图卷积神经网络进行多步推理时,针对不同类型的数据集设计了两种图的构建规则,在wikihop中构建了单一实体图,在Hotpot QA中构建了包含实体和句子两种节点类型的异构图,以此加强实体和句子的交互,体现了支持句对答案预测的强监督作用。为了结合问题信息,将经过图卷积神经网络信息融合后的图节点表示与问题表示进行Co-Attention,生成问题感知的实体节点,从而体现了问题对模型预测的指导作用。此外,为了将Hotpot QA数据的片段抽取任务转换成文本分类任务,我们设计了一种基于单答案阅读理解模型的多答案候选生成模块,再利用Bert分类任务生成支持句候选。实验表明,基于图卷积神经网络的多步推理机器阅读理解模型方法在未掩码版本的wikihop数据集和Hotpot QA数据集的支持句任务中取得优势。由分析可知,问题与实体的互注意力,支持句与答案的交互均对模型效果有显著影响。