随着网络上的信息量迅速膨胀,人们会获得大量冗余的信息,而浏览这些冗余信息会浪费大量时间和精力,因此出现了自动摘要技术,目的是从信息中找到重要部分。对于同一主题下的多篇文档而言,会出现大部分相似或者一样的片段。即使对这些文档进行压缩去重,也仍然解决不了信息量过大的问题。因此多文档自动摘要技术应运而生,利用该技术可以对多篇文档的信息进行提炼,从而解决信息冗余的问题。传统的多文档自动摘要方法没有考虑到主题和语义的重要性,且可读性较差。因此,本文在构建的新闻多文档数据集的基础上,利用多特征融合、卷积神经网络(Convolutional Neural Networks,CNN)和门控循环单元(Gate Recurrent Unit,GRU),不仅保证了文本向量能够包含足够的语义信息,而且提高了生成摘要的准确性。具体而言,本文主要做了以下工作:(1)从人民网、新浪网等通过爬虫获取30种不同主题的中文长文本新闻网页数据,再经过数据预处理等步骤,构建自建的多文档自动摘要数据集,为本文的方法做铺垫。(2)提出了一种基于特征融合的多文档文摘方法。首先使用Han LP进行分词,然后使用Word2Vec训练词向量模型。方法融合LDA、余弦相似度、Text Rank、句子长度和句子位置,结合多元线性回归方法动态抽取句子。最后使用MMR(Maximal Marginal Relevance)和LD(Levenshtein Distance)消除冗余。实验结果表明,该方法在ROUGE评测体系中表现良好,可以有效帮助用户寻找到有价值的信息。(3)提出了一种基于卷积神经网络和门控循环单元的多文档文摘方法。首先建立带有注意力机制的序列到序列(Sequence to Sequence,Seq2Seq)模型,然后把8.3万条数据放入深度学习模型上训练。其中,编码器使用卷积神经网络和门控循环单元,解码器使用门控循环单元。最后反向调整参数以提高模型的鲁棒性。实验结果表明,采用该方法在ROUGE评测体系中表现良好。此外方法还实验于DUC2004数据集,结果表明该方法针对英文多文档同样有效。(4)本文将传统的自动摘要方法和深度学习方法相融合,在多特征融合、卷积神经网络和门控循环单元的深度学习方法(Multi-feature CNN GRU,M-C-G)的基础上,设计了一个中文多文档自动文摘系统,把摘要结果以更直观的方式展现给用户。