随着互联网的普及和人工智能的发展,深度学习技术在人们生活的各个领域中广泛应用。当前技术主要解决的是基于直觉的、无意识的、快速的任务,如图像分类与识别、文本检索等。在认知神经科学中,我们称解决这些非认知的任务为System 1。如何准确并及时地解决有意识的、需要逻辑性和认知能力的System2任务,如推理、系统等,已经成为人工智能发展至今的一大难题。进一步地,在System 2中提供解释信息,将有效解决深度学习技术中的“黑盒”问题,提高其鲁棒性和可信度。该任务比较复杂,当前工作尚不完善。本文针对当前System 2所期望解决的推理目标,展开端到端的可解释推理认知系统的研究。首先,针对当前需要推理才可以解决的复杂阅读理解问答场景,本文提出了一种新的框架——基于三段论的推理算法（Syllogism-QA）。该系统通过在文本段落编码中引入逻辑三段论原则,去模拟阅读理解问答任务的推理过程。更具体地说,其将一组由句子表示的命题作为给定问答文本材料的辅助信息,显式地整合到神经网络编码器中。进一步,模型导出相应的结论作为推理证据,增强预测答案的合理性。实验结果表明,提出的Syllogism-QA算法不仅优于基准算法,而且揭示了获取预测结果背后的逻辑推理过程。进一步,综合当前解释生成方法,本文展开对提升算法可解释性的研究,依据层次注意力解释、预训练模型注意力解释、重要符号后验解释三种算法,从推理过程中去得到解释。同时,制定更能反映解释信息准确性的评判标准,提出并实验了两种方法:解释结论相似度、人工评估合理性与相关性,从多角度评判解释的鲁棒性和可信度。最后,本文在基于三段论的阅读理解推理模型和可解释性研究的基础上,设计开发了一个综合的可解释问答推理系统。系统首先对输入信息进行预处理,结合答案推理模块生成预测答案,同时通过解释生成模块获取解释信息。该系统结合了深度推理和可解释的优势,在当前移动互联网时代拥有广阔的发展前景。