新闻文本是日常生活中出现最多、数量最大的一种传媒信息载体。随着互联网的快速发展,新闻文本更是呈现爆发式增长趋势。海量新闻文本的出现对用户的阅读提出了巨大挑战,如何利用计算机自动生成新闻文本摘要信息,以协助用户提高阅读效率成为一个重要的研究课题。目前新闻文本自动摘要技术主要分为抽取式和生成式两个方向,前者从文本中抽取一定数量句子作为摘要,主要针对长文本;后者则是“阅读理解”文本后生成摘要,通常面向短文本。两者在不同类型处理对象上各有优势,本文从以上两个方向出发分别展开研究。针对抽取式方法提出了多特征融合模型,以解决文本自动摘要任务中特征挖掘不充分的问题。具体是选取句子的词汇、相对位置、长度和句间相似度4个特征,构建一种基于多特征融合模型的摘要系统。其中,基于句法树的词汇特征充分利用了语法信息,消除了传统方法获取关键词的局限性;相对位置特征通过获取位置的高阶信息对句子进行赋值;长度特征过滤掉过长的句子;基于平滑逆向频率句嵌入方法构造句向量,有效计算了句子间的相似度。针对当前生成式自动摘要模型在解码时对摘要整体语义信息利用不充分的问题,提出一种基于语义对齐的神经网络自动摘要方法。该方法以带注意力、Point机制和Coverage机制的Sequence-to-Sequence模型为基础,在编码器和解码器间加入语义对齐网络,实现文本到摘要的语义信息对齐;然后,将获得的摘要整体语义信息与解码器的词汇预测上下文向量进行拼接,使解码器在预测当前词汇时不仅利用已预测词汇序列的部分语义,而且考虑拟预测摘要的整体语义,提高自动生成文本摘要的质量。分别在NLPCC2017新闻文本自动摘要评测语料和LCSTS大规模新闻文本语料上进行实验,所提方法均提高了摘要生成的质量。但是抽取式摘要在语义连贯性上还有待进一步提升,生成式摘要在解决OOV(out of vocabulary,未登录词)和准确性上还有提高空间。