本文主要讨论中文片段型抽取答案的机器阅读理解任务,根据给定的问题以及相关文本片段以一定的方式抽取答案。机器阅读理解的研究是未来智能问答系统的方向之一,应用面十分广泛,有重要的研究意义。近年来,随着深度学习的发展,基于端到端的阅读理解模型研究已发展到了一定的高度。机器阅读理解模型一般由文本表示层、编码层以及问题与文本交互层、输出层组成,需要从不同方面提取文本的特征信息以便更能理解问题以及相关文本片段的信息。自从预训练语言模型BERT的提出,它在各大自然语言处理任务上的表现效果超过以往的深度学习模型,其中一项任务便是机器阅读理解。基于预训练语言模型BERT的阅读理解模型主要思想是先利用深度学习网络无监督地学习文本表示,再经过微调的方式将其部署在下游的机器阅读理解任务上。本文主要运用了QANet模型以及基于最近提出的预训练语言模型BERT的机器阅读理解模型对三个不同的中文阅读理解数据集Cail 2019、CMRC 2018、DRCD进行实验,对比结果并分析。实验证明基于预训练语言模型BERT的机器阅读理解模型对文本信息的理解能力更强,体现在机器阅读理解评价指标上,准确率EM与F1值远远超过了QANet模型的表现效果,EM值平均提升了15.74%,F1值平均提升9.21%。