新闻行业及短评文章需要大量标题型摘要,不仅对新闻编辑人才提出需求,还在很大程度上影响受众的用户体验,限制新闻媒体行业智能化发展。因此,标题摘要技术对于新闻媒体传播发展至关重要。技术可以视为传统长文本摘要的一个分支,核心是根据正文信息抽取或生成能够概括全文的高质量标题。抽取式摘要通过评估原文中句子的重要度,由原文中提取重要度高的句子组成,而生成式摘要则使用了一系列自然语言处理技术,由计算机生成更加简明干练的句子构成。深度学习网络相比于传统抽取式摘要方法能够保留更多的语义信息,与抽取式自动摘要相比,生成式自动摘要更符合人类撰写的习惯,有着简洁、灵活、多样性等特点。论文主要研究基于深度学习及知识图谱的摘要生成方法,并设计完成了两种基于深度学习的摘要生成系统,主要工作如下:（1）基于深度学习Seq2Seq框架下的摘要生成。首先对清华新闻数据集及爬取的新闻数据集进行清洗分类后,分别以字向量与词向量路线展开研究,技术上分别采用卷积神经网络、LSTM网络和BERT预训练模型对文本进行深度特征提取,并结合注意力机制、指针生成网络、Beam Search等技术优化模型。通过实验对比,本文提出架构能生成更为优质的标题。（2）提出基于传统生成式摘要与抽取式摘要结合方法,将Textrank与TFIDF算法用于文本预处理阶段展开研究,通过实验证明该方法使得数据利用率得到有效提高,能够使得下游任务能够获得更多更优质的数据集。（3）有效结合知识图谱语义知识,使得标题摘要生成效果显著提升。为了提高文摘的专业化程度及可读性,融合知识图谱三元组知识特征,在LSTM网络及BERT预训练模型上分别提升和优化,通过实验证明,融合知识图谱三元组知识特征后,能够生成更为优质的专业化标题。