人工智能领域中机器阅读理解是自然语言处理(Natural Language Processing,NLP)方向的核心研究任务之一,其研究目标是让机器阅读原文之后,能够正确的回答与原文内容相关的问题。提高机器对文本阅读理解的正确率,可以促进机器翻译的准确度,信息检索的精准度,问答(Question Answer,QA)等NLP任务的研究,与此同时,文本特征的表示方式对机器做阅读理解的正确率也有一定的影响,所以文本特征表示和机器阅读理正确率提升的研究是一个很有实际应用价值的研究。为此,本文描述了文本特征处理过程,改进了2016年Mahmoud Nabil论文中对文本特征的表示方式,对于英文中带有“’”的单词,原来将其分成两个单词来对待的不合理的方式改为恢复补全缩写词.同时,将填充词用于待移除高低频的占位方式改为用另外一个词来代替,原来的填充词只做填充之用。在文本特征数值化后,不改变原有文本特征顺序的前提下,做到真正完全移除高低频词;在模型融合阶段,使用了已训练的词向量或位置词向量表征文本的语法和语义信息,同时基于现有的经典神经网络模型搭建系统融合需要的各个子模型。最后选取正确率高于65%的11个子模型进行软投票和硬投票的融合方式进行模型融合来提升机器阅读理解的正确率。最终,在训练数据上使用不同结构的子模型运行后进行模型融合对机器阅读理解任务表现性能的提升效果做出对比与分析。结果发现,完全移除高低频词后,模型预测效果有一定提升。而使用模型结构差异比较大的多个子模型进行融合,融合后的结果明显会比在单个子模型上融合效果要好。