近些年来随着信息的传递的形式越来越丰富,文本作为信息传递主体之一发挥着越来越大的作用,人们对文本内容的要求越来越高。现如今文本内容产生主要方式是人工产生,通过该方式产生的文本,从速度和质量上都远远满足不了人们需求。为了解决文本生成开销大、质量低的问题,近些年来很多学者及其团队都致力于文本生成领域的研究,将最新的深度学习自然语言处理技术应用于文本生成领域,通过提出准确性高文本生成技术使文本生成变得省时省力,提高生活质量和工作效率。在分析生成模型基础之上,本文设计与实现了三种文本生成方案。第一种方案,根提经典生成模型LSTM结构提出基于LSTM的文本生成方案,LSTM是自然语言处理任务中比较经典和常用的结构,在该方案中,使用Word2vec方法构建文本中单词语句的向量表示,使用序列到序列的结构作为模型的基本结构,在编码器-解码器的基本结构中添加了注意力机制,同时使用了常用的Beam Search来进行解码。由于LSTM生成结构自身的特性,导致生成语句句式单一。本文对不同生成模型进行研究,提出第二种方案,使用CVAE为基本的生成模型,设计和实现了基于CVAE的文本生成方案,CVAE是将输入映射到一个分布中再从分布中采样进行语句生成,从而使得解码器输出的语句也更加丰富,解决了第一种方案生成语句句式单一的问题。CVAE结构存在KL消失问题,从而导致部分生成语句与输入毫无关联。本文对CVAE结构中存在的KL消失问题进行了分析与研究,提出了第三种方案基于Self-CVAE的文本生成方案,该方案在CVAE文本生成方案的基础上添加一个新的网络结构——自标签网络,辅助CVAE生成语句,基于Self-CVAE的文本生成方案结合了基于LSTM的文本生成方案和基于CVAE的文本生成功能方案的优势。最后将基于Self-CVAE的文本生成方案应用在智能对话助手中,进行文本生成。本文在四个数据集上对三种方案进行了实验,实验结果表明基于Self-CVAE的文本生成方案与基于LSTM的文本生成方案效相比,在生成语句准确性上提升了10.2%,在生成语句多样性上提升了48.2%;基于Self-CVAE的文本生成方案与基于CVAE的文本生成方案相比,在生成语句准确性上提升了6.1%,在生成语句多样性上提升了24.5%。基于Self-CVAE的文本生成方案比另外两种方案在生成语句准确性和多样性上都有提升。将基于Self-CVAE的文本生成方案应用在智能对话助手中,比原有文本生成方案生成的语句更加丰富。