随着互联网时代快速发展,信息呈爆炸式增长趋势,人们阅读和处理信息的速度已跟不上信息的增长速度。如何高效地从海量信息中提取重要信息,并将其应用到实际场景中已成为目前亟待处理的问题。自动文本摘要技术是一种生成高度概括源文本中语句的方法,该技术可以有效改善信息过载情况。目前自动文本摘要技术大都基于编码器-解码器结构来研究,编码器的输入序列有长度限制,如果输入序列过长,通常会删除过长部分,但这会导致输入序列损失部分原文信息。RNN及其变体是用于构建编码器的主流方法,但其具有序列性,很难并行处理文本序列,训练效率不高。同时该框架生成的摘要存在很多重复序列以及OOV词（未出现在词表中）。针对上述问题,本文提出一种两阶段框架,综合抽取式和抽象式文本摘要技术来完成摘要生成任务,并在CNN/Daily Mail和Wiki How两种不同类型数据集上进行实验,实验结果表明,该框架在文本摘要问题中表现优秀。本文主要研究内容如下:1)本文基于带有标题的文章设计一种监督式句子排序模型。基于自注意力机制构建编码器,从不同层面提取句子和文章标题相匹配的特征,获取句子可用于生成摘要的概率。根据概率对文章句子重排,为摘要生成模型提供输入文本。同时保留编码句子得到的向量,作为摘要生成模型输入词的嵌入向量。2)本文设计一种非监督式的句子排序方法。通过对句子中单词的词向量进行加权求和得到句向量,并基于句向量间的语义相似度来构建有权图,运用语义级别Text Rank算法对文章中的句子排序。3)本文基于Transformer模型研究摘要生成任务,使用时间惩罚机制改进连接编码器和解码器的注意力机制,并在解码器最后一层运用指针网络控制摘要生成模型以一定概率从原始文章中提取单词作为候选摘要词。