让机器能够理解人类的语言,并以自然语言形式进行问答交互,一直以来都是人类不断追求的目标。而文本阅读任务中的问答技术(Question Answering,QA)作为该问题下的关键技术,也一直是自然语言处理领域的主要研究方向之一。它是在给定文本语料的基础上,根据算法对问题的理解,来自动地回答问题。要正确地回答问题,既需要有一定的背景知识,也需要对问题本身有着深入的理解,同时还要有合适的生成答案的方式。随着深度学习技术的发展,神经网络(Neural Networks,NN)在语音信号处理、自然语言处理等领域都得到了广泛的关注。基于递归神经网络(Recurrent Neural Networks,RNN)的问答技术不仅能理解和记忆更长的文本,而且能对理解和记忆的内容根据问题进行有效检索,并生成答案,从而大大提高了答案的准确性,也解决了传统基于规则的方法费时费力而结果不佳的问题。本文主要围绕文本阅读任务中基于神经网络的问答技术展开研究,并选取了问答技术领域有较强影响力的数据集——斯坦福问答数据集(the Stanford Ques-tion Answering Dataset,SQuAD)作为评价数据集。首先,本文提出 了一套基于递归神经网络的条件编解码框架,并将该框架应用于SQuAD任务中,取得了远超官方提供的传统方法基线的效果。然后,在条件编解码框架的基础上,本文对问题理解(question understanding)做了进一步的分析和研究,并提出了基于树形长短时记忆网络以及问题词频滤波器的问题理解框架。对问题更深入的理解能帮助算法更好地找到正确答案,从而提高结果,实验结果也验证了这一点。进一步地,之前的模型框架都是对所有问题类型一起做的训练,而不同的问题类型还有区别于其他问题的特性,为了建模不同问题类型的区分性特征,本文提出了一种可端到端训练的问题自适应(question adaptation)方法。结合了这三项研究的最终模型在SQuAD的官方隐藏测试集中取得了第二名的成绩。