智能问答技术能够帮助人们在繁杂多样的网络信息中精准地找到需要的内容,有效地解决了传统检索过程中精准定位答案的难题,而机器阅读理解作为智能问答技术中的全新方法,无需建立大规模的问答知识库,从而大大降低了对于知识库的构建、维护和运营成本。本文基于迁移学习模型对中文阅读理解问题进行探索,并优化了目前前沿的迁移学习模型结构,构建了性能优良的中文机器阅读理解模型。具体研究内容如下:(1)本文提出了一套基于多种特征挖掘手段的特征集构建方法,来帮助模型模拟人们平时的阅读习惯方法。主要挖掘了三类先验特征分别为:文章先验特征,问题先验特征,文章和问题交互特征。其中,文章先验特征包含文章的词性特征,命名实体特征。问题先验特征包含问题的词性特征,命名实体特征和类别特征。文章和问题交互特征包含共现特征和距离特征。并根据迁移学习对文档长度的限制,详细展示了一套适用于迁移学习模型的多文档、多答案训练集和标签集的构建方法以及样本均衡策略。(2)本文提出了一种基于多层全注意力机制的BERT-wwm-MLFA迁移学习模型。首先基于融合机制将单向和双向注意力机制合并为全注意力机制,然后根据基准模型BERT-wwm不同层对文本语义提取侧重不同,使用全注意力机制对基准模型不同层的编码结果进行交互和拼接,并使用指针网络对结果进行输出,最后针对答案来自同一文档不同片段的情况设计了改进型的多答案抽取模块和对应的损失函数。并使用对抗训练方法,在训练时添加扰动因子,提高模型的健壮性和准确性。经过实验证明,本文提出的BERT-wwm-MLFA模型能够对取得较好的预测效果,达到了ROUGE-L为0.837,BLEU-4为0.738。(3)为了初步实现机器阅读理解模型在智能问答方面的应用,本文使用军事领域的中文机器阅读理解模型和Elastic Search搜索引擎搭建了一套中文智能问答系统,该系统支持用户登录,自动问答以及相关文档导出等功能,还支持不同领域的问答模型功能扩充,为多领域的智能问答提供了可能。