随着互联网时代众多新兴自媒体的诞生与发展,人工处理提炼信息的速度已经远远落后于文字信息的指数式增长,造成大量最新的信息不能及时处理,使人们面对越来越多的信息无法一一阅读。自动文本摘要技术是自然语言处理的一个重要领域,能够帮助人们从文本中精简、提炼和总结重要信息,过滤无用信息,提高阅读效率,提升信息处理效率,减少人力物力成本,提高社会生产力。得益于深度学习的蓬勃发展,理解式文本摘要在近些年有了新的发展与突破。本文基于深度学习构建理解式文本摘要模型,解决以往深度学习文本摘要模型存在的一些问题,提升生成的文本摘要的质量。主要完成了以下工作:(1)提出了一种基于改进注意力的文本摘要模型,通过编码器、解码器保持自动抽象生成文本摘要的能力,嵌入层使用广义自回归预训练模型提取语义特征,充分学习文本上下文信息,深度挖掘文本内在特征。(2)针对未登录词(OOV)问题,通过使用指针生成器直接从源文本中选择复制单词,提高文本摘要的准确度。(3)针对文本摘要单词重复的问题,提出并使用两种改进的注意力,使用历史缓存注意力降低过往产生的注意力高的部分,让模型更加关注之前较少注意的部分,鼓励模型能够关注到更多的单词,使用差异注意力让模型更加关注历史生成过的文本摘要的单词,避免在生成新的单词时候重复输出。(4)针对曝光偏差问题,提出一种新的损失函数,通过融合强化学习,避免模型在训练集上的评价得分与测试集的评价得分有较大差异,增加训练的稳定性。(5)设计并实现文本摘要生成系统,以本文提出的基于改进注意力的文本摘要模型为核心,能够对用户提供的源文本数据自动生成质量较高的文本摘要,并在浏览器上展示给用户。最后,在CNN/Daily Mail公开数据集上使用ROUGE评价指标训练、测试模型,实验结果表明,本文模型在ROUGE-1、ROUGE-2、ROUGE-L三个评价指标上均有效果提升,ROUGE-1得分至少高于目前其他的先进算法模型0.57,证明了本文模型方法改进的有效性。本文系统能够满足用户总结文章的需求,提高阅读效率。