被广泛认为用以衡量机器是否具备智能的标志之一就是机器是否具备与人无障碍交流的能力,而这一能力主要由隐藏在机器背后的文本生成技术来体现。随着近十年来计算机硬件技术的飞速发展带动深度神经网络的日益更新,其强大的学习能力、特征取能力以及在信息间的映射能力为文本生成模型性能的升带来新的发展契机,同时也产生了一系列新的研究问题。本文着眼基于深度神经网络框架下的文本生成技术的研究,以文本摘要和机器翻译为切入点,针对该框架下文本生成技术面临的一些问题出有效的解决方案,探索合适的生成模型,升生成系统的性能。本文的研究内容和贡献概括如下:（1）针对句子摘要任务中标记的重要性建模问题,本文出了一种基于自我感知的内容筛选机制。现有的句子摘要生成模型采用注意力机制隐式的对源文本中的重要标记进行建模,未对重要标记进行进一步强调,同时非重要标记也不会被显式的过滤。本文出的内容筛选机制在基于注意力网络对重要标记建模的基础上,根据当前摘要生成的进度对源文本标记组进行自动筛选,显式的强调相关标记过滤无关标记。为了配合筛选机制更好的进行重要性筛选工作,本文还研究了一种异步双向编码器,在不影响模型并行计算的基础上,对源文进行充分的高层特征取和标记间的依赖关系挖掘。实验结果表明,出的方法可以高效的进行标记重要性建模,升句子摘要模型的性能。（2）针对文档摘要中的片段重要性建模问题,本文出了局部内容裁剪模型。考虑到文档摘要对应的摘要内容更多,仅采用针对标记组的重要性建模帮助并不大。本文设计了一个渐进式局部内容裁剪方法用以对源文档进行片段的重要性建模,该裁剪方法能够根据当前生成的摘要词语定位源文中的重要片段,并进行动态渐进内容裁剪以控制冗余内容对当前摘要生成的影响。同时,该方法设计融合到当前主流的两种端到端框架中保证模型结构的简单高效。实验结果表明,出的方法可以有效实现对源文局部内容进行冗余裁剪以生成简洁摘要的目的,升端到端的文档摘要模型的性能。此外,本工作对主流模型的混合结构验证了文本生成工作中序列状态信息的重要性,为后续工作供了新的视角。（3）针对并行化机器翻译任务中序列状态信息缺失的问题,本文出在并行化模型中对标记序列状态信息建模的方法。出的方法以并行化模型为基础,增加了序列状态信息层为标记间的依赖关系构建和语义上下文的构建供状态信息。此外,为了辅助解码器更准确的解码译文,本文还对交互注意力网络进行扩展,实现了一个焦点自适应的交互注意力网络。实验结果表明,出的模型在同语系和跨语系的译文质量上均有所高。相关实验也证明了本工作所出的门控状态网络和焦点自适应方法可以相互辅助的进行工作。综上,本文以文本摘要和机器翻译为切入点在文本生成任务上开展研究工作,出了多个方法升当前基于深度神经网络的文本生成模型的性能。所出的方法和模型均在公开的标准数据集上验证了其可行性和有效性,也为自然语言处理领域内的其他相关研究供工作支撑。