互联网在迅速发展使得生活变得信息化的同时也带来了很多问题,信息过载问题是当前亟待解决的核心问题之一,对互联网上的海量信息进行降维处理变得越来越有必要,而文本摘要技术便是解决该问题的重要途径之一。深度学习的发展推动了以神经网络方法为主导的文本摘要技术进步,然而当前已有的研究表明传统神经网络在文本较长的情况下会由于依赖过长导致信息丢失,无法对长文本序列进行有效地编码表示。当前主流的文本摘要方法都是基于序列到序列结构的神经网络模型,利用循环神经网络的长距离依赖特性对输入文本进行上下文语义编码。上下文语义编码一般仅仅包含文本的序列化信息,无法反映文本的结构信息,前后文联系信息无法被编码器完全学习。为了充分利用文本的上下文结构信息,本文对上下文结构信息进行了一系列研究,旨在结合文本结构信息得到准确且通顺的文本摘要。在序列到序列文本摘要模型的基础上,本文对其做出了一系列改进,将文本的结构信息作为考虑的重要因素之一,按照对结构信息利用方式的不同,经过实验研究验证,提出了两种不同的改进的序列到序列文本摘要生成模型。首先,本文提出了一种融合文本语义结构的注意力文本摘要模型,在模型编码器输入信息中融入文本的句法结构信息,使摘要生成模型得到的上下文向量信息在包含文本语义信息的同时融入了句法结构信息,将融入了句法结构信息的上下文向量提供给编码器来生成文本摘要。在ROUGE指标上的实验结果表明,该改进的序列到序列文本摘要模型性能有了一定的提升。其次,本文对长文本的篇章结构层次信息进行编码,将文本的全局结构信息进行表示,并融入到输入文本的上下文语义信息中,同时,利用变分自编码网络的判断推理能力刻写文本的潜在风格结构信息。在上下文信息中包含全局结构信息以及上下文依赖信息,编码器则根据潜在风格特征生成具有固定相似结构的文本摘要。实验结果表明,该方法在ROUGE评价指标上有了明显提高,同时通过分析示例摘要文本,说明了本文中提出的基于文本结构与潜在特征的文本摘要模型能够有效学习到文本的全局结构信息和潜在风格特征信息,对文本摘要的准确性提升有明显作用。