随着Internet上的文本数据呈指数级的速度增长,“信息过载”问题日益严重,如何降低用户的信息负载,对文本数据进行“降维”操作显得十分必要,文本自动摘要则是其中一个重要的手段。随着深度学习的不断发展,越来越多的研究人员利用深度学习技术来自动为文本生成摘要。本文基于深度学习算法对摘要生成方法进行研究,主要工作如下:生成过程中容易出现未登录词以及生成内容不全面的问题,提出一种基于关键词信息和对抗学习的两阶段中文文本摘要生成算法。该算法包括关键词抽取和摘要生成两部分。首先,利用基于注意力机制的Seq2Seq模型提取关键词;然后通过对抗学习来动态缩短源文本与摘要文本之间的语义距离,并在此基础上将提取到的关键词信息添加到注意力机制中,使模型关注源文本的主题信息,生成更全面的摘要。在LCSTS数据集上的实验结果表明,本文提出的算法可以有效地提高摘要的准确性,减少未登录单词的数量,与Seq2Seq方法相比,分别在ROUGE-1,ROUGE-2和ROUGE-L评分上提高6.1%,4.8%,6.2%。第二,针对生成式摘要算法在处理长文本过程中出现长时间依赖导致准确率低的问题,本文提出一种融合生成式和抽取式的长文本摘要算法,包含主题句抽取和摘要生成两部分。在主题句抽取阶段,通过加入Doc2vec来改进Text Rank中的文本相似度计算方法,提高关键句抽取的准确性。在摘要生成阶段,将上一阶段得到的关键句作为摘要生成的输入,并在Seq2Seq的编码器和解码器之间加入一个包含CNN和自注意力机制的门控单元,提取文本间的n-gram信息,控制模型的信息流动,缓解生成摘要结果中的词语重复。通过在自己爬取的新浪财经新闻数据集上的实验结果表明,在处理长文本时,该方法在准确性方面优于单个的抽取式或生成式方法。上述工作为文本摘要自动生成提供了新的研究思路,本文所提出的方法在ROUGE评分也有明显提升,在缓解信息过载问题中有较好的实用性。