互联网和移动通信设施及技术的发展,推动了新媒体、社交网络、即时通讯等平台的广泛应用,带来了科技文献、新闻文本、博客、邮件、即时对话等文本信息喷井式增长,令社交网络媒体用户面临信息过载的困境。为帮助人们在短时间内快速阅读和获取信息咨询,筛选和识别文本关键信息,同时适应手机、平板及各类可穿戴式便携设备的有限阅读空间要求,为自动问答、信息检索等下游应用提供技术支持,自动文摘技术应运而生。自动文摘的目的是用计算机对长文本或文本集合进行自动压缩,以简洁、精炼的摘要文本来转述原文,其本质是对原文进行一种“降维”处理。近年来,基于深度学习的自动文摘方法取得长足发展,尤其是基于序列到序列框架的自动文摘模型为相关研究提供了广泛基础,但也存在对原文的概括性语义引入不足,和编码端对原文的理解受长度限制等技术问题。为此,本文研究并提出了融合神经序列模型的自动文摘方法。本文的主要工作如下:（1）为提升摘要措辞的准确度和摘要文本的连贯性,提出了一种融合多域注意力的摘要生成方法,通过增强原文与目标摘要词之间的相关性,提升生成摘要的ROUGE值。该方法认为文本含词、句两类语言要素,提出在编码端用双向长短时记忆网络（Bi-directional Long Short-Term Memory,Bi-LSTM）分别构建词、句编码器,从词、句两个视域对原文编码,分别建立词、句视域下的注意力并获得上下文向量,进而获得词典分布。在解码端使用指针生成网络和Coverage机制解决未登录词和生成词冗余问题,提高了生成的摘要对目标摘要的词覆盖度,提升了摘要文字的连贯性。（2）为改善摘要对原文关键信息的覆盖度,提出了一种融合文档编码的双编码方法,解决因编码端限制原文词序列长度,从而令摘要对原文关键信息覆盖不足的问题。基于前述工作（1）,用Bi-LSTM与语言模型BERT分别构建词和文档编码器,对原文的局部与整体分别编码,获得基于局部的上下文向量与涵盖全文信息的文档向量。将两个向量以直接、门控、分层三种方式融合为上下文向量用于解码摘要。该方法在提升摘要准确性的基础上,也提升了摘要对原文关键信息的覆盖度。（3）在CNN/Daily Mail数据集上对本文方法进行了实验。工作（1）（2）中方法的ROUGE-1、ROUGE-2和ROUGE-L值分别提升至39.68%、17.60%、36.43%与40.03%、17.77%、36.73%,较其基线方法分别提升0.15、0.32、0.05与0.87、0.56、0.73个百分点。人工分析生成摘要的实例表明,本文方法生成的摘要具有较好的连贯性,摘要内容较好地体现了原文的主旨思想。