机器阅读理解技术是自然语言处理领域中前沿研究任务之一,旨在从文本数据中推理得到问题的答案。在“互联网+”的大背景之下,人工智能与医疗相结合是大势所趋,在医疗领域研究机器阅读理解技术有助于解决“看病难、看病贵”的问题。但是,目前关于医疗领域的机器阅读理解研究较少,并且没有大规模的医疗领域数据集。因此,在医疗领域研究机器阅读理解技术不仅有极大的研究价值和实际意义,也具有很大的挑战性。本文针对面向医疗文本的机器阅读理解研究这一课题,首先对面向医疗文本的单文本机器阅读理解技术进行了研究。为了解决缺少医疗领域数据的问题,本文提出了面向医疗文本的自动提问技术,自动生成了大规模的医疗领域语料。最后,本文着眼于在线医疗搜索问答的场景,对面向医疗文本的多文本机器阅读理解技术进行了研究。在面向医疗文本的单文本机器阅读理解实验中,本文首先尝试了BiDAF模型,但是受限于训练集缺少医疗领域的知识,实验结果并不理想。因此,本文利用BERT在预训练中学习到的医疗知识作为外部知识,使用了基于BERT的机器阅读理解模型,提升了实验效果。面向医疗文本的自动提问技术包括句子过滤和问题生成两个模块。在句子过滤模块中,本文提出了Attention-based LSTM模型和基于BERT的模型。在问题生成模块中,本文提出了Attention-based Seq2Seq模型,并通过引入拷贝机制使得生成的问题更为流畅、自然和真实。最后,本文利用无标注的医疗文本构建了大量医疗领域的机器阅读理解训练数据,进一步提升了机器阅读理解模型在医疗文本上的实验效果。对于在线医疗搜索问答的场景,通过结合单文本机器阅读理解与候选答案排序的方式实现了面向医疗文本的多文本机器阅读理解。本文基于Pointwise方法和基于Pairwise方法提出了多个候选答案排序的模型,并在基于Pairwise的方法中尝试了多种损失函数。最终,提升了面向医疗文本的多文本机器阅读理解任务的实验结果。