近年来,随着社会进入大数据时代,文本摘要生成任务愈发受到研究人员的关注,其目标是针对篇幅较长的文本生成能够简洁准确反应原意的短文本摘要。当前的文本摘要生成方法分为两类:抽取式摘要生成方法和生成式摘要生成方法。前者为从原文本中抽取部分片段,组合构成摘要。后者为直接根据原文生成摘要,可出现原文中未有的词汇。本文研究针对的是文本匹配范式的抽取式摘要生成方法。现有的相关方法使用预训练语言模型分别抽取文档、候选摘要和参考摘要的语义特征,再以文本匹配的思路,使得不同评级的候选摘要与文档的语义相似度保持排序关系。然而,该方法由于对各个候选摘要独立建模,当候选摘要较多时,面临显存消耗高的问题;当候选摘要较少时,可能最优的候选摘要不被包含在内,从而降低了数据集的分数上限,进而影响模型效果。针对上述问题,本文提出了一种基于共享输入的文本匹配范式抽取式摘要生成模型SMS。对于显存消耗高的问题,SMS模型在使用预训练语言模型抽取文档和候选摘要的语义特征时,采用共享文档和候选摘要输入序列的方式,仅在文档输入序列中添加代表候选摘要的特殊符,并设计与之匹配的自注意力掩码矩阵,实现文档和候选摘要语义特征的同时抽取,而不再需要对候选摘要独立建模抽取语义特征,从而降低模型显存消耗。对于数据集得分上限低的问题,SMS模型在共享输入后可以低成本的扩张候选摘要数量,提高数据集分数上限。然而在共享输入后,又引入了候选摘要的位置编码不连续问题,对此SMS模型在预训练语言模型自注意力层添加基于共享输入形式的相对位置编码,以统一文档和候选摘要的位置编码为连续位置编码,使得文档和候选摘要的语义特征处于同一个语义空间,利于语义相似度的计算,从而提高模型效果。在CNN/Daily Mail数据集上的实验结果表明,相比于最新的文本匹配范式模型,SMS模型在扩大候选摘要数量后取得了同一水平的摘要生成效果,同时只需要64.1%的推理显存消耗并实现了2.18倍的推理加速;在使用相同数量候选摘要时,模型取得略低的结果,但只需61.2%的显存消耗实现2.86倍推理加速。本文还以SMS模型为基础搭建了文本摘要生成原型系统,测试表明,该系统能满足用户对文本摘要生成的需求。