近年来,自动文本摘要已成为自然语言处理领域的重要研究方向之一。文本摘要任务旨在将文本转换为仅包含关键信息的简短摘要。尽管随着深度学习技术的发展,文本摘要模型已具有较强的编码能力,但是仍然存在着诸多问题。例如在抽取式方法中无法有效对抽取单元的选择与排序方式建模;在生成式方法中缺乏对关键信息建模、存在输出文本集外词占比过高等问题。因此,论文针对这些问题,研究了现有的文本摘要技术并进行改进,主要的研究内容总结为以下三点:（1）提出一种基于语义匹配的抽取式文本摘要方法。该方法利用原文中的多条关键语句组成候选摘要,并以此作为抽取单元。使用深度学习技术构建语义匹配网络,计算候选摘要与原文之间的相似度,引导模型抽取与原文语义匹配最佳的候选摘要。论文在相关数据集中开展实验,实验结果不仅说明候选摘要作为抽取单元的合理性,而且验证该方法可从文本语义层面出发,抽取与原文语义相近且主题明确的摘要。（2）提出一种基于关键信息掩码与拷贝的生成式文本摘要方法。该方法使用信息抽取算法输出原文的关键信息,通过改进现有的掩码语言模型和拷贝机制,对文本中的关键信息建模,并利用深度学习技术构建基于BERT+Seq2seq架构的生成式模型。论文在相关数据集中开展实验,实验结果表明该方法不仅使BERT模型获得根据文本生成摘要的能力,而且在生成摘要时能拷贝原文中的关键信息和连续序列,在减少集外词出现的同时,提升摘要的生成质量。（3）提出一种基于最大边缘相关算法的段落级文本摘要方法。为了提升生成式模型处理长文本序列的能力,通过将抽取式模型与生成式模型结合,并使用段式最大边缘相关算法消除段式摘要之间的冗余信息,精简生成式模型的输入源,以此构建段落级摘要模型。论文在相关数据集上开展实验,实验结果验证该方法能有效处理长文本摘要任务。