近年来,随着人工智能理论和技术的快速发展,机器阅读理解任务引起各界广泛的关注。机器阅读理解,是利用计算机进行算法建模,要求机器具有像人类一样的阅读能力,可以通过阅读浏览文本、分析语义、逻辑推理来进行问题的回答,该任务可以衡量机器对自然语言的理解程度,有着重要的研究意义和应用价值。目前,大多数传统的机器阅读理解模型都采用了端到端的“编码—交互—预测”的框架来模拟人类阅读的过程,并在一些公开数据集上取得了不错的表现。但研究发现,这些模型由于只包含了文本和问题的单层交互,会存在文本和问题交互不足的情况,无法深入挖掘文本和问题之间的关联。而且,在现实场景中,有标注的数据很少,甚至是无法获得,且对无标注数据进行标注的成本很大,这也是机器阅读理解任务中存在的难点。那么如何在数据匮乏的情况下进行模型的训练是一个巨大的挑战。为了解决上述问题,本文提出了—种基于多层次聚合注意力机制的机器阅读理解模型来加强文本和问题的交互深度、以及一种少样本条件下的半监督机器阅读理解框架来解决训练数据不足的问题。本文的主要工作和贡献包括:（1）提出了一种基于多层次聚合注意力机制的机器阅读理解模型（MLAA）。该模型模拟人类做阅读理解的思路,不仅利用聚合注意力机制从不同角度提取文本和问题交互的重要特征来弥补单—注意力机制的不足,还使用多层次交互的结构去加深文本和问题之间的交互表示,挖掘文本和问题间的深层关联,为最终的答案预测提供了更有效的信息。实验结果表明,相比其他传统的机器阅读理解模型,MLAA在SQuAD数据集上取得了更好的表现。（2）提出了一种少样本条件下的半监督机器阅读理解框架（SSF）。在机器阅读理解训练数据匮乏的情况下,如何引入大量无标注数据中的有效信息来辅助模型训练是至关重要的。基于此,该框架利用半监督的思想,在少量有标注数据的基础上,把无标注数据的正则项损失（无标注数据的预测答案与增强后数据预测的答案之间的差距）添加到总损失函数中,提高了机器阅读理解模型少样本学习的能力。本文从SQuAD数据集上抽取了10篇文本和100篇文本分别构建了少量有标注数据集Mark-SQuAD（含2764条数据）和大量无标注数据集UnMark-SQuAD（含17407条数据）来作为实验数据。实验结果表明,SSF框架在少样本条件下的机器阅读理解任务中是有效的。