随着我国互联网和移动通信设施的快速建设,使得以互联网技术和移动通信技术为基础的移动互联网的迅速普及,并带来了在移动互联网上运营的社交媒体应用的繁荣。繁荣的社交媒体应用促进了进入互联网应用的门槛的降低,更多的人成为互联网信息的创作中心,丰富了互联网的内容。但是,互联网上丰富多彩的内容对在快速的生产生活节奏下的人们高效获取信息造成了障碍。通过高质量的文本摘要可以提升人们在选择和获取信息时的效率。随着计算机硬件性能的增强,深度学习技术得到了发展,同时将深度学习应用到自动文本摘要生成成为越来越重要的课题。目前,根据产生摘要的方式划分自动文本摘要,可以分成是抽取式和生成式文本摘要两类。抽取式方法得到原文的句子组成的摘要,句子长短不一,概括性不强。生成式文本摘要得到的摘要的方法类似于人对原文信息的理解,句子长度可控,但是较难全面捕捉原文的主要信息。针对这些问题,本文采用深度学习对生成式文本摘要方法进行进一步研究,研究中的主要内容如下:（1）本文对序列到序列模型作了进一步的研究,包括序列到序列模型的结构、原理和类型等,并在提出算法时指出了序列到序列模型的一些情况中比较难获得一个准确的语义表示的摘要的不足之处,针对这一问题引入注意力机制进行改进。（2）本文对注意力机制作了深入的研究,包括其原理、本质等,并进一步研究了自注意力机制的基本原理。在此基础之上,提出将序列到序列模型采用可以兼顾全局注意力信息和局部注意力信息的混合注意力机制作出改进,得到二者相结合的文本摘要模型。在训练时,使用对抗学习的方法对模型的监督强度进行动态调整,进一步提升模型的效果。（3）本文在对数据集进行简单介绍之后,对相关数据集作出分析,选取了合适的数据集。基于提出的模型在选好的数据集上设计实验,采用文本摘要常用的评估方法ROUGE与基准模型对比进行评估,证明模型的有效性。