机器阅读理解是衡量机器对人类语言理解程度的重要手段,也是实现人工智能的关键一步。近年来,机器阅读理解已经在搜索引擎和智能对话中有了很好的应用。多轮机器阅读理解是机器阅读理解和多轮对话的交叉,机器需要阅读文档回答多个相关联的问题。这种形式更符合人类获取信息的一般方式,因此近年来多轮机器阅读理解受到学术界和工业界的广泛青睐。Qu AC数据集是经典且具有很大挑战的多轮机器阅读数据集,目前机器在这个数据集上的阅读水平和人类的一般水平还存在一定的距离。Qu AC数据集存在一些不同于其他数据集的特点,首先Qu AC数据集的问题之间有着紧密的关系,需要深度利用历史信息才能更好的理解当前的问题,其次Qu AC数据集有将近20%左右的问题在文中找不到答案,需要做进一步的处理。此外Qu AC数据集中的文章长度比许多数据集更长,查找答案的难度也就更大。面对以上挑战,本文提出了以下三种模型,具体内容如下:（1）针对历史信息处理的问题,本文提出了一个基于流机制的上下文感知模型Context Flow来对历史上下文信息做进一步的选择和建模。首先用一个层级历史选择机制从词级别,句级别和会话级别来对历史问答信息做一个显式选择。此后对会话流进行建模并且融入到阅读推理模块中,深度融合上下文历史信息之后再预测问题的答案。实验结果证明了历史信息对多轮机器阅读理解模型的效果有着重要影响。（2）针对不可回答问题类型,本文在第一个工作提出的Context Flow模型的基础上增添了对不可回答的问题的判断模块形成了Context Flow+verifier模型。通过粗读和精读两个模块来深度分析当前问题能否在文档中找到答案。实验结果表明增加对不可回答的问题的预判有助于进一步提高模型的准确率。（3）针对阅读文档过长的问题,本文提出了一个基于段检索的多轮机器阅读理解模型PRetri模型。我们首先将文章分成段落,检索出最有可能包含答案的K个段落,再用前面第一个工作提出的Context Flow模型来阅读这K个段落给出答案,最后综合检索模块和阅读模块得出最后的答案。实验证明将文章分解成段落来阅读,有助于提高模型的效率和预测的准确率。