借助大数据分析手段,情报分析人员能够从表面上看似毫不相关的新闻事件中挖掘出潜在情报。然而要全面、及时地筛选与分析各类新闻需要耗费大量的时间和精力。因此,如何在短时间内获取能够清晰地传达新闻主题信息并且流畅易懂的摘要进行辅助阅读,已经成为目前急需解决的问题。Transformer模型在完成自动文本摘要生成任务时能够有效解决序列并行训练问题,提高了摘要生成的速度。但它并不擅长对主题信息进行编码,无法获取新闻的主题信息。在摘要生成过程中,该模型会多次注意到相同的单词从而生成重复的内容。此外,由于Transformer模型输入序列长度的限制,对于一些较长的新闻文章,在输入时通常采用截断处理,这会导致部分原文信息丢失,进而影响生成摘要的全面性。为了解决上述问题,本文进行如下研究:（1）为了提高Transformer模型对主题信息的编码能力。本文在传统注意力机制的基础上加入主题信息。首先通过LDA主题模型获取主题词分布构建主题相似矩阵。然后调整注意力权重矩阵,使模型可以学习到新闻中不同词语之间的主题相关性,从而得到具有明确主题信息的摘要。此外,为了解决生成摘要重复问题,在模型解码过程中,初始化覆盖向量用于优化注意力得分。然后使用覆盖损失修改损失函数来减少注意力关注重复位置的可能。经过实验验证,本文提出的模型在不同长度的中文新闻摘要数据集上均取得了较好的效果,能够有效提高生成摘要的主题一致性及可读性。相较于传统的Transformer模型,该模型生成的摘要结果在长文本数据集上的ROUGE-1,2,L分别提高了2.34,2.95,3.69,在短文本数据集上的ROUGE-1,2,L分别提高了3.12,3.86,6.27。（2）为了解决Transformer模型在长篇新闻摘要生成任务中原文信息缺失的问题,本文设计了一个抽取-生成式的两段式摘要生成模型。首先提出了一种基于TextRank算法的关键句抽取算法。根据新闻的特殊结构从句子和单词层面得到了更全面的文本特征信息,包括句子段落位置、句子标题相似性、关键句子、句子长度、线索词与转折词、关键词与专有名词。使用不同维度的文本特征修改TextRank算法的概率转移矩阵,从而得到更准确的句子权重。然后采用MMR算法更新句子权重,通过集束搜索得到候选摘要集合,在MMR得分的基础上选择内聚性最高的摘要作为候选摘要。然后将候选摘要输入生成式摘要模型得到最终摘要。在NLP2107长文本新闻摘要数据集上的实验结果表明,相较于主流的抽取式算法,改进的TextRank算法能够得到一个低冗余高覆盖的候选摘要。对于长篇新闻,引入抽取式摘要算法能够有效保留原文的关键信息,提高生成摘要的ROUGE得分及语义相似度。