机器阅读理解是当前自然语言处理领域最为前沿和热门的研究方向之一,它的研究目的是利用计算机建立模型,使计算机能像人类一样阅读文章、分析语义和回答问题,有着重要的研究价值和实用价值。随着硬件算力的不断提升、大数据的爆炸式增长,以及深度学习技术的不断发展,机器阅读理解研究有了长足的进步,在一些特定的任务中,计算机模型的回答已经可以媲美人类的水平了。机器阅读理解模型需要充分理解问题和文章的语义信息,通常采用三层的分层网络架构,即编码层、交互层和解码层。本文面向多段落片段抽取式中文机器阅读理解,对现有的模型的编码层、解码层和交互层进行改进,以提高模型的精度和训练、预测效率。主要研究工作如下:（1）在模型的编码层和解码层,本文对基线模型的词向量编码方式和CRF序列标注的解码方式进行改进。本文使用预训练好的词向量加上字向量微调,这种字词混合嵌入的编码方式,既包含了丰富的语义特征,又兼顾了字向量的灵活特点,再结合半指针半标注的解码方式,能有效降低答案边界预测出错的概率。实验结果表明,编码层和解码层的改进方法使模型的F1值提升了0.83%。（2）在模型的交互层,本文使用膨胀门卷积代替基线模型中的LSTM,膨胀卷积可以扩大网络的感受野,门限卷积控制信息的流动,达到多通道传输的目的,然后使用残差网络将门控卷积和膨胀卷积结合,即膨胀门卷积。问题特征和材料特征使用注意力机制交互整合。实验结果表明,这种改进在精度达到甚至超过LSTM的情况下,模型的训练速提升了近13倍,预测速度提升了近28倍。（3）本文探索了使用BERT获取上下文编码,来解决歧义问题,但实验结果表明,在没有明确标注的数据集上,效果不是很明显。（4）在模型的训练过程中,本文引入了权重滑动平均以及最新的RAdam优化器,提升了模型训练的稳定性和收敛速度。