随着科技的发展,人工智能技术在生活中的应用越来越广泛,其中的难点便是如何使机器能够正确地理解人类的语言。机器阅读理解任务的目标是教会机器做阅读理解,使计算机具有和人类一样的理解文章的能力。现有的机器阅读理解方法往往在文章、问题和候选答案之间使用注意力机制来得到相应的向量表示。然而,单一的注意力机制仍有一定的不足,它可能对某些词语过于关注,也可能会忽视某些有用的词语。这会导致它在对文章、问题和候选答案进行信息交互时不能对其中的关键信息进行有效的利用。针对以上问题,本文提出了一种基于多角度共同匹配机制的机器阅读理解模型。首先使用BERT获得词向量,然后在文章、问题和候选答案交互的模块使用了多种策略从多个角度对信息进行交互,之后通过聚合层获得文档级的向量表示,最后输入答案预测层预测答案。接下来将介绍本文的主要研究内容:（1）本文提出了一种基于多种匹配策略共同匹配的机器阅读理解模型MSCM。该模型在信息交互层使用了四种不同的匹配策略去匹配文章、问题和候选答案三者之间的信息。这四种匹配策略分别是:1.全匹配策略;2.最大池化匹配策略;3.注意力匹配策略;4.最大注意力匹配策略。通过四种不同的匹配策略避免了单一的注意力计算方式对某些词语的关注过多或不足的缺陷,能够更好地对文章、问题和候选答案进行匹配,从而提取出更精准的信息。在RACE数据集上的实验表明模型的准确率相较于基线模型有了较大的提升。（2）本文提出了一种基于多角度共同匹配机制的机器阅读理解模型MPCM。该模型不使用注意力机制去直接的获得文章、问题和候选答案三者的关键信息,而是设计了一个匹配函数,通过四种不同的匹配策略从多个角度对文章和问题与文章和候选答案进行相似度匹配,使用匹配的结果和文章信息相乘去完整的得到相关的信息。同时,本文还将该模型与预训练语言模型BERT相结合,验证了该模型在高阶基础模型上的适用性。在RACE数据集上的实验结果显示,该模型的精度相较于其他基线模型具有了更大的改善。