本世纪各行各业的服务早已普遍接入互联网,伴随着内容生产和用户规模的快速增长,每时每刻都在产生着海量的数据。这些数据导致了用户接收信息的低效和过载,用户需要从中筛选出有效信息。面对如此规模庞大的蕴含大量有价值的数据资源,如何快速有效地进行信息查找与抽取成为学术界和工业界的一个热门研究领域。其中问答系统作为代表技术更是受到高度关注。问答系统可以帮助用户阅读文档和问题并快速获取答案,从而取代了以往在大量相关文档下查找答案的繁琐过程,显著提升用户的使用体验。本文针对当前相关研究中存在的未能利用候选答案信息,模型忽略文本关键信息以及过于稳定地从字面匹配答案等问题,引入定制的门机制和注意力机制进行进一步优化与改进。取得的相关研究成果如下:1、提出了一种基于QANet的候选答案再思考模型。本文通过模拟人类进行阅读理解时挑选并参考多个候选答案,综合判断给出最终答案的行为提出此模型。该模型通过将挑选出的多个候选答案与原文和问题进行信息的交互与融合,促使模型综合此三方面的信息得出一个更加准确的答案。对比实验表明,该模型相较于基线模型取得了一定的性能提升。同时本文进行了多组消融实验,比较了模型在获得不同参考答案数量下的性能增益。2、提出了一种多粒度门控多跳略读与精读模型。本模型在预训练模型的基础上提出了略读模块,精读模块和门机制模块用于模拟人类进行问答任务时多次阅读和综合筛选信息的行为。同时依据粒计算的思想在模型中提出了计算上下文粒度和序列粒度的多粒度模块,并与上述模块中获得的字粒度构成并行结构,使模型能够模拟人类从字到句子,从局部到整体的的角度来理解文本的行为。实验表明,在EM和F1等指标上本模型取得了新的进步。消融实验验证了本模型提出的不同模块间对模型精度的增益效果。实验分析表明该模型能够更好地理解问题和上下文并给出更加精确的答案。同时对本文在略读模块中提出的双向层叠式注意力机制进行了可视化,验证了该注意力机制筛选文本关键信息的有效性。