机器阅读理解（Machine Reading Comprehension,MRC）是一项用于测试机器是否能够理解输入语料的任务,它要求机器根据输入语料来回答给定的问题。近年来随着各种深度学习技术的结合,MRC引起了国内外学者越来越多的关注。例如在实际搜索应用中,使用MRC技术的搜索引擎可以更加准确地返回用户所提出问题的正确答案。此外,配备MRC系统的智能助理可以帮助阅读文档,为用户提供高质量的咨询服务,这些都使信息检索更加有效。传统的机器阅读理解仅仅只是针对答案存在于单段落中的情况,然而现实生活中存在许多答案需要由多个段落联合跳跃式推理才能获得的情况,这就对传统的机器阅读理解产生了极大的挑战。针对传统机器阅读理解方法无法很好地解决在多段落情况下结合每个段落信息进行多跳推理的问题,本文提出基于改进图节点的图神经多跳阅读理解模型。本文主要工作如下:（1）提出基于BAG（双向注意力图卷积网络）改进的阅读理解模型。针对BAG模型在实体提取上仅仅采用简单的匹配方式进行实体提取,从而造成支撑文档中相关实体的缺失,以及在节点选取方面所存在的不足,提出了基于指代词的实体提取方法和基于问题关联实体的实体图的构建,然后通过在Wiki Hop数据集上的实验,验证模型的有效性。结果表明在验证集上相对于BAG模型提升了2.4%,在测试集上提升了4.1%,证明了该改进方法的有效性。（2）基于中心节点的多跳阅读理解模型。针对以往的研究中,基于图神经网络的模型在实体图的连通性上所存在的不足,造成实体图内各个子图或者孤立节点彼此独立,相互之间没有信息传递,使得实体图内局部信息无法向全局进行传播。为了解决这一问题,本模型将问题中的疑问词提取出来,加入到非连通的实体图中并定义为中心节点,基于中心节点提出了中心节点的连接算法,将中心节点加入到非连通的实体图中,让各个子图与中心节点相连从而使得实体图成为一个连通图。并在中心节点的基础上提出基于中心节点的图卷积算法,在加入中心节点后的实体图中分别进行局部子图卷积以及全局图卷积,这样使得模型既能获取局部信息又能获取全局信息,增强模型的推理能力。然后通过在Wiki Hop数据集上的比较实验,验证实体图的连通性对于提升模型性能的影响。在实验结果中所提出模型取得了不错的效果,证明解决实体图中存在的连通性问题,可以有效提升模型性能。