随着网络空间中数据的爆炸性增长,自动摘要生成技术应运而生,可以使得人们处理非结构化的文本数据,从而获得文本的大意。自动摘要生成技术的实现可以增强文档的可读性,减少搜寻信息的时间,获得更多适用于特定领域的信息,作为自然语言处理中热点问题,摘要生成技术具有重要研究意义。本文在现有理论基础之上,以探索摘要生成技术为目的,基于深度学习对自动摘要生成的关键技术进行相关研究,本文的主要工作分为以下三个方面进行展开:（1）提出了一个基于指针网络的抽取生成式摘要生成模型EASPN（extractive and abstractive summarization based on pointer networks）。基于Seq2Seq模型的生成式摘要模型取得了良好的效果,然而抽取式方法具有挖掘有效特征并抽取文章重要句子的潜力,因此如何利用抽取式方法来改进生成式方法是一个较好的研究方向。鉴于此,提出了融合生成式和抽取式方法的模型,使用Text Rank算法并融合主题相似度来抽取文章中有重要意义的句子。然后,设计了融合抽取信息语义的基于Seq2Seq模型的生成式框架来实现摘要任务。同时,引入指针网络解决模型训练中的未登录词问题。综合以上步骤得到最终摘要,在CNN/Daily Mail数据集上进行验证,结果表明在Rouge-1、Rouge-2和Rouge-L三个指标上比传统Text Rank算法均有所提升,同时也验证了融合抽取式和生成式方法在摘要生成领域中的有效性。（2）提出了一个基于多模态注意力的文本摘要生成模型TSMMA（text summarization model based on multi-modal attention）。相较于传统模型而言,多模态摘要生成模型从图像文本对中生成简短摘要,借助视觉特征融合到标准文本生成模型中,更具研究意义。本文探索了多模态摘要生成模型的优化,进一步提升模型性能,首先针对视觉特征的融合设计了多模态注意力机制,将图像特征与文本语义进行平衡;然后考虑了图像全局和局部特征,并对图像特征选取进行优化,实现降噪处理;随后设计使用指针网络解决词汇量不足及未登录词问题,并考虑生成重复问题,构造了覆盖向量避免重复生成单词;最后,在公开数据集上进行实验对比,结果不仅表明了本文模型比纯文本模型效果得到了提升,同时也验证了在多模态摘要模型中优化的有效性。（3）摘要生成系统的设计与实现。利用上述两种模型作为理论基础,设计并构建了摘要生成系统,整合系统功能模块,实现了摘要生成任务的系统展示,达到用户交互和即时处理效果。