机器阅读理解是人工智能领域非常热门的一个研究方向。其目的是根据用户的问题,通过语义分析、文章内容的检索和评价等一系列操作,从给定的文章中找到可以准确回答用户问题的答案。机器阅读理解是自然语言处理技术中,继语音识别、语义理解之后最大的挑战。深度学习是机器学习的一个重要分支,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像,声音和文本。军事领域中工作人员有时候会接触到大量的资料,由于时间紧迫无法一一阅读,但此时又有较多的问题亟待解答,若能够有专业的工具辅助工作人员理解资料并且给出简单问题的解答,便能在较短时间内得到有用且准确的情报与知识,无疑会减轻工作人员的工作量,为从资料中提取有效情报提供有力的支持。本文旨在研究基于深度神经网络的军事机器阅读理解技术。首先对数据集进行分析,并根据分析结果对数据集进行文章截断和答案标记两种预处理。然后利用基于上下文的动态词向量表示技术对文本和问题进行语义特征表示。接着通过对基于双向注意力机制的机器阅读理解模型、基于双向长短期记忆网络的机器阅读理解模型和的基于自注意力机制与卷积神经网络的机器阅读理解模型训练提升单模型的准确率,然后将模型进行集成学习,发挥各个模型的优点,通过装袋的方式提升模型的准确率,最后规范答案的格式,进一步提升准确率。