在现实生活中,许多以英语为二语的儿童具有阅读困难。一方面,已有的阅读研究常常探讨影响阅读发展的相关因素,将阅读困难作为研究内容具有其自身特点,研究数量不多。另一方面,现有的阅读困难相关的研究对象大多为以英语为母语(即一语)的儿童,考虑的角度比较单一,包含的样本量不大、变量不多,有关二语阅读困难的相关研究还远远不足。为了弥补以往研究的不足,本研究首先检验了阅读成分模型(CMR)对二语儿童阅读困难的解释力,并以此模型为框架,从宏观视角出发,利用大样本、多变量,对构成一语和二语儿童阅读困难的相关因素进行比较,进而找到二语阅读困难儿童的特点。本研究对一语和二语儿童分别建立数据库,数据从PIRLS 2016数据库中提取而得,共包含349个分析变量。数据库包含一语儿童样本16,968个(其中阅读困难儿童2,583个,其他儿童14,385个)和二语儿童样本8,972个(其中阅读困难儿童3,410个,其他儿童5,562个)。基于支持向量机(SVM)和结合支持向量机的回归特征消去法(SVM-RFE)分析,分别形成了一语和二语区分阅读困难儿童和其他儿童的最优变量集。此后,独立样本t检验和卡方检验分别描述了一语和二语阅读困难儿童和其他儿童在最优变量集中的各个变量上的差异。经过对两个最优变量集的对比分析,本研究验证了阅读成分模型对二语阅读困难的解释力和适用性,并且找到了二语阅读困难儿童的特点。本研究的发现主要有以下几点。首先,阅读成分模型对二语阅读困难具有解释力。本研究还在原有模型的基础上,补充了一些环境因素,例如学校环境以及信息和通讯技术环境,并且发现身体状况也是阅读困难的相关因素。其次,将一语与二语儿童最优变量集比较后发现,区分二语阅读困难儿童需要更多的变量以形成最终的共同作用。最后,与一语儿童相比,区分二语阅读困难儿童的环境因素(包括家庭、学校、课堂环境)明显更多,尽管在每一个变量上,二语阅读困难儿童与其他儿童的差距并不大。将机器学习的分类方法运用于阅读困难的研究是一个新的尝试。本研究中,机器学习模型高效地将阅读困难儿童区分出来,并且找到了对区分贡献最大的最优变量集,强调了变量的共同作用。本文的最后也对未来研究以及英语作为二语学习提出了建议。