研究机器阅读理解任务是为了让机器能阅读并且正确理解自然语言文本,并能够回答给定的问题,由此衍生出大量的应用场景,对自然语言处理的其他领域也具有重大意义和价值。现有的机器阅读理解主流模型主要分为四个主体部分:表示层、编码层、交互层以及输出层,表示层采用的词嵌入技术具有单向性并且无法解决一词多义问题,输出层采用的答案预测模块无法输出既通顺又包含多数关键命名实体的句子。针对以上问题,本文研究了主流的机器阅读理解模型,构建了一个基于XLNET语言模型的机器阅读理解模型,以提升回答问题的准确率。主要研究内容如下:(1)针对早期词嵌入技术的局限性,引入XLNET语言模型精调预训练的词向量。XLNET语言模型在自回归语言模型的基础上引入排列机制,通过排列输入语句中各个单词顺序学习不同排列的上下文信息,增加了模型可利用的文本特征。(2)提出了多级语义融合模型,模型编码层采用多级双向LSTM网络提取文本语义特征,模型交互层利用多级注意力机制让各个网络节点学习其余节点的信息,使得模型预测答案时能够输出更准确的答案。(3)针对答案预测模块的缺陷,提出改进端到端的答案预测模块。通过融合Seq2Seq网络与指针网络,在生成句子的单词时能够同时拥有两个网络的优点,使句子通顺的同时包含多数命名实体。上述模型在SQuAD 2.0中获得了78.32%的EM与81.75%的F1分数,在MS\MARCO中获得了32.75%的ROUGE-L与34.12%的BLEU-4分数,对比于主流模型有了较大的提升。实验结果表明,本文的研究成果能较为有效地提升回答问题的准确率。