大量的人类知识是以非结构化自然语言文本的形式传递的,因此使机器能够阅读和理解文本具有重要的意义。近年来,随着许多该领域数据集的涌现以及深度学习的进步,机器阅读理解在自然语言处理领域受到了广泛的关注。本文专注于研究基于语境化词嵌入与注意力方法的机器阅读理解模型,探索如何解决许多基线模型存在的准确度不足以及训练和推理速度缓慢的问题,主要研究成果如下:（1）部分经典基线模型无法有效结合上下文信息进行进一步推理,导致模型在回答某些需要长下文关联的问题时存在不足。此外,传统模型的词嵌入不能准确包含句子的上下文信息,因此词嵌入质量有待提升。针对上述问题,本文提出了一个基于语境化词嵌入与门控自注意力的机器阅读理解模型。首先,该模型引入了门控自注意力层,用于关联长上下文并进行进一步地推理。并且在文章问题交互层使用双向注意力流提供互补信息。此外,模型引入了预训练的ELMo语境化词嵌入。ELMo嵌入是一种包含深层上下文语义的词汇向量,由基于大规模语料库预训练的双向语言模型而来。实验表明,本文所提出的模型能够有效地提升一些需要复杂上下文推理的问题的正确率,从而提高模型的整体性能。（2）目前大多数富有成效的经典模型都采用循环神经网络对词嵌入进行编码,但循环神经网络无法并行计算的特性使得模型的训练与推理速度不佳。针对这一问题,本文使用了基于卷积网络的编码器进行词嵌入的编码,提升了模型的训练与推理速度。为了保证模型具有较高性能,我们同样使用了预训练的ELMo词嵌入,以提升单词表示的质量。经过一系列控制变量法的实验,找到了模型的最佳超参数设置。此外,与许多经典基线模型的比较实验结果表明,本文所提出的模型能够在保持较高准确度的情况下大幅提升模型的训练与推理速度,使得模型具有更高的可应用性。