机器阅读理解任务是一种开发域问答任务,要求机器能够在给定问题和对应文本的前提下提供答案。该任务是自然语言处理领域的关键内容,其研究方案将促进自然语言研究的发展。自然语言中存在天然的层次结构信息:词语、短语、句子、段落以及文档。当前研究表明这种层次信息可以帮助机器深入理解自然语言,但过去的工作大多关注于注意力信息、位置信息以及模型整体性能,而忽略了层次信息的作用。此外,由于机器阅读理解数据集中存在大量不相关段落,对段落的过滤和选择也成为必要的研究。因此针对上述问题,本文提出了基于段落重排序框架（Passage reranking framework）和层次信息（Hierarchical information）的新模型——PH模型。PH模型包括了段落重排序框架和层次神经网络模型。在段落重排序框架内,本文提出一种基于F1、BLEU和ROUGE-L三种指标的排序方式,并且结合了一种启发式的段落处理策略来过滤不相关段落。而在层次神经网络模型中,本文提出了结合段落层次信息对词向量进行了编码,并融合了问题感知和段落感知的双向注意力表示以及混合编码表示,最后采用指针神经网络预测答案,用以解决机器阅读理解任务。其中,本文所提出的层次编码层和混合编码层分别实现了对段落层次信息的编码以及对信息的“重读”机制。层次编码层将有序神经元LSTM用于层次结构信息的提取,并使用GumbelSoftmax解决了层次信息的边界模糊问题。同时,模拟了人类对文本的“重读”现象,本文提出了混合编码层。混合编码层将独立参数编码和共享参数编码混合,实现对信息的“重读”机制。之后,融合层将注意力表示和混合编码表示进行了融合以及维度规约,再传递给指针神经网络。指针神经网络将问题相关的段落编码生成概率分布,从而获得了预测答案。实验结果表明PH模型在Du Reader 2.0数据集上获得了超过其他模型的优秀性能。相比于预训练BERT模型55.30%的ROUGE-L得分,PH模型获得了56.42%的最新性能表现,绝对的性能提升超过1%。而相比于基线模型36.54%的性能得分,PH模型在ROUGE-L上获得了19.88%的显著提升。最后,消融实验进一步验证了段落重排序框架和混合层次编码的有效性,为模型的理论和设计提供了有力的支持。