随着互联网的高速发展,各类文本数据呈现爆炸式增长,信息过载问题日益严峻。面对海量的结构化文本（如知识图谱、软件代码）或非结构化文本（如新闻、社交媒体）,如何快速、有效地从中获取关键信息并将其组织成精简连贯的语言表达形式变得尤为重要。作为缓解信息过载及提高信息获取效率的关键技术之一,自动技术旨在实现文本内容的自动提炼总结,以生成包含关键信息的语言描述。尽管现有主流的自动摘要方法在摘要任务中取得了较大进展,但仍然易存在如摘要内容偏离原文主题、重要信息缺失等问题。鉴于文本往往存在结构复杂、重要信息分布不均衡等情况,本文提出了基于多源信息融合的生成式摘要范式,通过挖掘利用文本的多源内外信息（如结构信息、关键词信息、上下文信息）来协同改善复杂文本的生成摘要质量。具体而言,本文一方面利用多源信息增强编码器对复杂文本的理解及表示能力,另一方面综合考虑不同信息与输入文本间的交互性以挖掘利用重要信息来引导解码器生成,使其能聚焦原文的重要主题。本文将多源信息融合的生成式摘要范式分别用于生成式结构化文本摘要和生成式非结构化文本摘要:（1）在面向结构化文本的摘要任务中（即代码摘要任务）,提出了基于关键词引导的融合结构和上下文信息的生成式代码摘要模型（CodeSum）,通过融合代码结构及代码上下文来增强编码器,通过关键词来引导解码器;（2）在面向非结构化文本的摘要任务中（即新闻摘要任务）,提出了基于上下文信息融合的Transformer生成式新闻摘要模型（NewsSum）,通过上下文信息增强编码器并引导解码器。在多个公开数据集上的系列实验结果表明,本文提出的多源信息融合的自动摘要范式及相应的融合摘要模型能较好地适应结构化文本及非结构化文本的自动需求,尤其多源信息的引入均有助于改善摘要的生成质量。