随着深度学习技术这几年的发展,自然语言处理领域也有突飞猛进的进步,其中的机器阅读理解作为新兴领域在这些年愈发成熟,并开始出现在生活的实际应用中,包括智能客服、大规模文本处理等。机器阅读理解指通过交互让计算机能够从书面文字中提取出关键信息、了解文章结构,并让计算机能够跟人一样对文章内容进行理解。目前主流的机器阅读理解通过让神经网络对阅读理解数据集进行学习,从而得到正确的答案。阅读理解可以分为填空式阅读理解、抽取式阅读理解和选择式阅读理解等,其中选择式阅读理解作为目前阅读理解中的主要攻克领域,其选项内容并不与原文完全对应,有很多推理类问题需要解答,所以难度也会相应增大。需要模型不单单对原文内容进行了解学习,更应该具有一定的逻辑推理性。本文从此出发,对主流的大规模选择式阅读理解数据集RACE进行分析实验,通过神经网络模型进行学习实现选择式机器阅读理解,并研究多种策略来协助提升测试准确率。针对目前选择式阅读理解中存在的问题,本文从以下两个方面进行研究。第一,从模型本身设计角度。本文基于pytorch深度学习框架,将目前主流的预训练模型Bert以及XLNet进行修改,以实现选择式阅读理解任务。第二,从策略研究角度。针对RACE数据集的特点和挖掘人类阅读理解的行为表现,本文分别在引入外部知识方面进行了外部知识库的策略研究与实现,在模型结构进行改进方面进行了关键词的高亮嵌入的策略研究与实现以及在RACE数据样本学习改进方面进行了困难样本再学习的策略研究与实现。将三种模型改进策略应用到Bert以及XLNet模型中,对提升测试集准确率均有不同程度的提升。通过在RACE数据测试集进行测试,评测指标采用通俗的准确率来评测。将三种模型改进策略分别应用于Bert以及XLNet模型,测试准确率均有一定的提升,验证了三种模型改进策略的有效性。对三种模型改进策略进行混合测试,验证三种模型改进策略不会因为混合使用产生负面影响,任意混合均会对测试准确率有提升。实验结果显示,将三种模型改进策略一起进行混合实验,基于Bert以及XLNet基础模型准确率依次提升了 3.3和3.4个百分点,验证了本文提出的策略的有效性,并可以将这些策略应用到阅读理解相应应用中。