随着大数据时代互联网中数据体量和规模的飞速增长,我们已可以快速地从各种工具中轻松地获取信息。但是,大多数信息冗杂且无关紧要,用户要花费大量时间剔除无用信息后才能真正的获取到目标内容。所以,使用能够自动提取重要信息的文本处理技术就变得非常重要。本文着眼于文本关系分类和文本生成。关系分类旨在将给定句子中的实体对分类到某个类别中,而文本生成旨在对文本进行分析、内容总结和生成。本文对深度学习和注意力机制在关系分类和文本生成中的应用展开研究,提出基于改进的注意力网络的关系分类模型和文本生成模型,主要包括三部分:（1）对于关系分类,目前最新的基于深度学习的方法仍存在缺陷,即无法区分文本在不同上下文语境中的语义,以及不能利用实体对自身所具有的潜在类型特征。本文提出的关系分类模型主要由上下文编码器和实体感知注意力网络组成:通过自注意力机制学习单词在不同上下文环境中的语义;通过实体选择来决定实体对之间的互相决策重要程度,并将实体对和它们的潜在类型作为模型的辅助信息,充分利用实体对的隐藏特征。（2）对于文本生成,本文重点关注数据到文本生成任务,即为结构化的数据生成描述性文本。目前大部分最新的方法都采用神经网络语言模型,基于注意力机制来学习输出和输入之间的映射关系。但普通的注意力网络在处理长文本时注意力会逐渐减弱,并且不能利用文本中的结构信息。本文提出的文本生成模型主要由字段-内容选择编码器和描述性解码器组成。将文本的结构信息融合到其特征表示中,并利用不同记录对之间可以互相决定重要性的特点,提出采用了门控机制的内容选择器。在解码阶段,利用内容选择器输出的语义向量来强化注意力机制对输出文本和记录对之间的映射能力,并采用拷贝机制来解决稀有词的问题。（3）基于文本生成模型构建了一个面向气象报道和体育赛事的新闻播报系统。文本生成模型将输入的天气和体育比赛数据转换为直观的文本,提供给用户;管理员负责对系统进行维护,包括上传数据、修改文本内容等。对用户来说,该系统可以快速且方便的获取到所需的新闻内容,对管理员来说,该系统帮助加快了工作流程。