近几年,随着深度学习的发展,自然语言处理领域中的许多传统问题如分词、命名实体识别等在解决思路与方案上取得了较为突破性的进展。同时,随着新的技术出现的同时,新的自然语言处理任务也不断产生。而从问答任务中衍生的机器阅读理解问题,近几年也逐渐变成热门的话题。机器阅读理解问题作为问答任务的一个分支,其出发点也同样是要求机器能够回答问题,并需要根据给定的文章环境,依靠语义理解与推理等方法来帮助模型回答问题或者答案排序。而在机器阅读理解的答案排序问题中,如果能够基于现有的方法提出一些优化或改进思路,则对于机器阅读理解问题本身而言具有启发式的意义。针对该问题,本课题研究的内容主要包括以下两个方面。第一,针对先验特征以及不同融合方法在答案排序型的机器阅读理解问题上的研究。通过在模型输入端提供先验信息,如问题与答案中词的共现特征、命名实体类型特征以及字符特征,以及研究不同的问题、文章和候选答案的融合方法,帮助模型更充分的理解文本,并能够更好的做出答案排序与选择。本课题引入的先验特征与提出的混合堆叠的融合交互方法的有效性在本研究课题的RACE数据集上得到了验证,同时交互方法的有效性在SQuAD数据集上得到了进一步的验证。第二,针对机器阅读理解中的句子推理问题对答案排序影响的研究。本课题结合目前常见的句子推断问题,提出了基于句子信息的选项门控网络。该网络能够帮助模型在句子推理上取得更好的结果,从而帮助模型更好的对问题的答案进行排序。该部分设计的相关实验在本课题研究的数据集RACE中的RACE-H子数据集上达到了最优效果。