随着当下互联网硬件和软件的快速发展,大量的APP或者网页产生了大量的文本信息数据,人工处理这些文本信息的方式越来越难以胜任时代的发展。如何快速的从大量杂乱无序的文本中,提取出简短准确有用的信息,已成为当下急需研究的课题。近些年的研究成果之一就是自动文本摘要,使用计算机来处理这些文本信息。自动文本摘要是从大量相同主题的文本中提取出关键信息生成简短摘要的方法。人们可以快速的获取关键信息而无需阅读整个文档,它帮助人们节省了大量时间。目前自动文本摘要在生成方式上,主要分为抽取式和生成式。这些模型都能提取出文本的部分关键信息来生成摘要,但是生成的摘要会出现未登录词,句子重复,偏离原文本语法语义等问题。通过增强对原文本语法语义信息的提取以及对标准摘要的语法语义信息的提取,提升了模型对文本信息的理解。使用指针网络和覆盖机制的思想,降低了摘要的句子重复问题与未登录词问题。主要研究工作如下:1.本文提出了基于BERT的多头自注意力机制的指针网络模型,通过多头自注意力机制模型增强对原文本内在信息的关注,使模型能够更精确的把握原文本的语法结构和语义信息。同时使用软注意力机制,利用人工标注的标准摘要与原文本进行映射进行特征提取。融合两种注意力机制的上下文信息,使模型能够提取出原始文档的内部结构和语义特征信息。改进覆盖机制,减弱句子和词的重复问题。2.本文提出了基于BERT和增强解码器的指针网络模型。使用Transformer模型的解码层思想,代替LSTM和软注意力机制,增强模型在训练阶段对标准摘要的语法语义特征提取。使得生成的摘要在词和语法语义上更接近于标准摘要。3.根据文本提出的文本摘要模型,设计并且实现文本摘要系统。使用Flask Web框架,为用户提供了输入短文本信息或者上传短文本信息的方式,快速生成简短摘要,并将结果在网页上展示出来。