机器阅读理解是指使用算法让计算机理解文章的意思并回答相关问题的一种技术。由于计算机算力和存储能力的发展以及深度学习因其具有的特征提取能力,使用端到端技术构建机器阅读理解模型成了主要的研究手段。基于中文文本的机器阅读理解因为构建数据集困难发展比较缓慢。百度公司WebQA数据集的提出,填补了这一空白。BiDAF模型在英文SQuAD数据集上具有优异表现能力,本文试图将其迁移到WebQA数据集中,得到中文机器阅读理解模型BiDAF,并对现有模型的编码层和交互层做改进,以提高模型在WebQA数据集上的F1值和EM值为研究目标展开工作。本文的主要研究内容如下:本文首先对经典的BiDAF模型进行复现。将其应用到WebQA数据集上,得到本文的基线模型。然后,本文在BiDAF的基础上,从编码层和交互层方面进行改进。对于模型的编码层,为了避免边界切分的问题,本文提出基于字词混合嵌入的机器阅读理解算法模型。为了充分考虑词语的实体属性,本文融合了实体向量对词向量作进一步的词语属性加强表示,并且加入预训练语言模型得到词向量表示。通过实验分析,编码层的改进提高了模型的F1值。对于模型的交互层,本文提出了基于注意力交互的门控膨胀卷积神经网络阅读理解算法模型。采用CNN编码序列,使用膨胀卷积扩大感受野,加入门控机制控制信息的流入,将此种编码方式记为GDCNN（Gated Dilated Convolutional Neural Network）编码。对文章和问题采用分层注意和文章自注意的机制进行交互。实验结果表明,改进后模型的语义分析能力得到提高。对以上的两种改进方法,本文做了五组实验,通过在验证集上的结果对比分析图可以看出,改进后的模型效果得到了很大提升。最后,基于上述的两种改进方法,本文提出了分层注意和自注意的门控膨胀卷积神经网络 HASA-GDCNN（Hierarchical Attention and Self Attention Gated Dilated Convolutional Neural Network）阅读理解模型,在数据集WebQA上对模型进行性能验证,将其和公开的模型做对比,得出HASA-GDCNN模型的F1值有了提升,但EM值和最好的结果相比还有待提高。本文最后还给出了 3个实验结果对比示例,表明了和基线模型BiDAF相比HASA-GDCNN模型结果更为精确。