随着数字信息时代的快速发展,由此引发的信息过载现象日益严重。如何在海量文本中快速获取关键信息,显得尤为重要,因此文本自动摘要相关算法,成为目前研究的热点方向。本文以呈现高质量摘要的角度出发,对中文文本摘要抽取算法进行相关研究。本文针对中文文本摘要任务,基于TextRank算法进行优化,改进主要分为三个方向:（1）改进TextRank算法对中文文本直接摘要抽取首先,本文从能够影响摘要生成质量的各类因素出发,在构建文本的TextRank网络图时,将节点由句子改为由句子进行BERT预训练模型生成的句向量,引入语义信息优化句子之间相似度,得到摘要候选句群,并采用最大边界相关算法思想对候选句群进行筛选。通过实验证明了该方法较之原TextRank算法的有效性。（2）改进TextRank算法进行关键词抽取,根据关键词分布进行摘要抽取考虑到包含非重复关键词数量越多的句子,更能表征该文本的含义。本文根据目前存在的各种关键词抽取算法的优劣性以及单文本的独特性,选取TF-IDF算法以及TextRank算法进行改进,指导关键词集的生成。生成的关键词集中每个关键词具有不同的权重分值,根据句子中包含的关键词进行句子排序。通过实验证明该方法在单句摘要抽取中表现突出,代表关键信息包含程度的Rouge-1由原来的25.3%提升至31.2%,该方法的有效性得到了验证。（3）借助集成学习思想,优化TextRank算法进行摘要抽取将目前主流的几种摘要抽取算法对TextRank算法抽取结果进行辅助纠正,保证模型具有更强的泛化能力以及抽取的句子能携带更多的重要信息。通过中国新闻网数据验证,改进模型在Rouge-1、Rouge-2、Rouge-L指标中由原来的34.4%、46.6%、21.4%提升至40.2%、55.4%、29.6%,证明该方法摘要抽取效果优于原算法,且具有更强的泛化能力。