问答(QA)对于自然语言理解是一项很有挑战性的任务,吸引了许多研究人员的兴趣。它为评估系统理解自然语言的能力提供了有用的基准。当前的大多数的研究都针对于单级问答,答案往往能从单个文档或者单句话中推断得出,缺少处理复杂问题的能力。多级问答相对单级问答来说是一个更具有挑战性的任务,它要求模型能够从多个文档中收集和问题相关的证据来回答问题,这导致适用于单级问答的模型在多级问答中表现的不好。如何设计和实现能推理复杂问题的具有多级推理能力的模型,是当前一个亟待解决的问题。本文结合注意力机制和图卷积网络,设计了一个具有多级推理能力的问答模型。该问答模型包括一个利用注意力机制的多步注意力网络和利用图卷积网络的候选图网络。多步注意力网络利用了多步推理机制,通过迭代的从多个文本中收集与当前问题表示相关的信息,来更新问题表示,并且生成上下文的总结表示。和传统单步注意力网络相比,多步注意力网络可以收集到与初始问题不相关但与答案相关的支撑证据,并通过这些证据来矫正预测结果。候选图网络将所有候选答案看作实体,并根据它们在所有文档中的位置信息,构建一个候选图。然后用图卷积网络实现候选图中的候选实体之间的信息传递。通过图卷积网络,可以利用到候选实体之间的图结构信息。本文在公开的多级问答数据集上进行了实验,实验结果和消融实验证明了本文提出方法在多级问答任务上的有效性。最后,本文设计并实现了一个多级问答原型系统,并将本文提出的模型应用于该系统。