随着人工智能与大数据的飞速发展,教计算机理解人类自然语言已经成为了最具挑战的AI完全目标。让机器学会像人类一样阅读文本,通过理解文本中的内在含义,能够根据问题和需求给予正确的响应和反馈,该任务过程被称为机器阅读理解任务。机器阅读理解作为自然语言处理任务中一个重要的研究领域,已经成为了学术界和工业界的关注热点。并且随着深度学习技术的兴起、不断推出的各种大型中英文数据集,机器阅读理解任务的难度和挑战性逐步上升。研究机器阅读理解的同时也要依赖于其它自然语言处理领域相关的技术,从而促进整个自然语言处理领域的发展,继而影响人工智能前行的进程,使得机器阅读理解技术具有非常重要的研究意义。本文通过分析中文机器阅读理解数据集Du Reader的特点,分别提出了基于特征工程与基于深度学习的机器阅读理解方法。对于特征明显的数据,采用基于特征工程的方法,设计了文本语义分析模型,应用代词解析,标记基本名词短语和句法解析等方法来丰富文档和句子的语义信息,并使用外部知识库CSC添加同义词集来扩展问题的词语集用于挖掘语义相关性,扩大答案范围以获得问题和正确答案句子之间的精确匹配。此外,本文为了进一步得到准确答案,在文本语义分析模型的基础上,设计了文本语义推理技术,定义了七种框架语义关系用来表示场景之间的联系从而得到某些潜在语义信息,并构建了30多种特征用于识别句子中的核心目标词,通过核心目标词激活的场景缩小扩展词集所扩大的答案范围,在框架关系之间结合核心目标词进行推理,提高答案获取的准确率。而对于特征不明确或者无法直接获取特征的数据,采用基于深度学习的方法,本文借鉴了Bi DAF模型的思想,提出了基于自注意力的SAR＿Bi DAF阅读理解模型,在原有双向注意力的基础上加入了词注意力机制和自注意力机制,并且在语义匹配过程中引入多步推理机制将关注的重点信息进行累积以求达到最优,采用生成模式和抽取模式两种方式进行答案生成,进一步的提升了答案生成的准确率。最后将本文基于特征工程的方法和基于深度学习的方法在Du Reader数据集上进行实验验证。实验主要分为两个过程来进行:特征工程实验和深度学习实验。对于实验结果的评估,本文选用ROUGE-L和BLEU-4作为评价指标。通过与基线模型进行对比实验,实验结果表明,本文所提出的模型在机器阅读理解任务上具有更好的性能以及较好的通用性。