人类以对话的方式询问信息,当前询问的问题通常与之前的问答存在关联。然而当前的机器阅读理解任务更多是单轮问答,不同轮的问题和答案没有相关性,可以独立的求解。为了使得机器具备像人一样询问信息的能力,研究者提出对话式阅读理解任务,给定一篇文章和多轮问题,当前轮问题的回答不仅依赖于文章内容,还需要结合当前轮次的问答历史信息。本文探究融合问答历史信息的机器阅读理解技术,即在结合文章回答当前轮问题的过程中融入问答历史信息,主要进行了以下三项研究工作:（1）基于预训练模型的问答历史信息融入方法。研究者提出拼接法融入问答历史信息,即将问答历史拼接到当前轮问题之前,再将拼接后的文本和文章输入到单轮机器阅读理解模型中给出答案。然而Bi DAF++等单轮阅读理解模型不能够充分的对问答历史和当前轮问题进行交互,我们基于预训练模型构建对话式阅读理解模型,利用预训练模型的深层网络对问答历史和当前轮问题进行深入的交互,实验结果验证了该方法的有效性。（2）基于对话信息选择的问答历史信息融入方法。已有的工作表明通过拼接法融入问答历史信息,模型容易受到无关问答历史信息的干扰。针对这个问题,我们提出两种基于对话信息选择的问答历史信息融入方法。第一种方法将问答历史中每轮问答和当前轮问题转化为句子表示汇聚重要信息,再通过门控循环神经网络的门控机制选择问答历史信息。第二种方法分别对问答历史中的每轮问答和当前轮问题进行交互初步选择信息,然后将交互后的信息融合到当前轮问题中再次选择问答历史信息,实验结果表明了该方法的有效性。（3）基于潜在语义推理的问答历史信息融入方法。潜在语义推理机制结合回答之前轮问题的过程中产生的中间表示来回答当前轮问题,能够利用问答历史中的潜在语义信息。然而,已有的方法在传递潜在的问答历史信息时没有直接考虑问题,不能够针对性的传递对回答问题有帮助的信息。为了解决这个问题,提出基于问题引导的多粒度对话式阅读理解模型,利用问题信息引导潜在语义信息的传递过程,并且引入句子粒度的信息传递过程进一步丰富传递的信息,实验结果证明了该方法的有效性。