在当今世界,每时每刻都有大量的信息从各种渠道推送给人们,如何从这些信息中筛选出重要信息显得尤为关键,文本摘要就可以帮助做到这一点。本文主要针对句子级概括式文本摘要任务和文档级摘取式文本摘要任务展开研究。对于句子级概括式文本摘要任务,提出了基于循环神经网络和基于卷积网神经网络的Sequence-to-sequence(Seq2Seq)模型:基于循环神经网络的模型结合了联合式选择机制,将输入输出结合起来进行关键信息的选择;基于卷积神经网络的模型引入了全局选择机制,使得原句每个单词的表示结合了全局上下文向量的信息。对于文档级摘取式文本摘要任务,提出了无监督式模型和有监督式模型:无监督式模型基于TextRank模型,并依赖句子语义相似度进行计算;有监督式模型基于Seq2Seq模型,采用类似Pointer Network的处理模式,并使用了选择性编码以更准确地选择出更关键的句子。在实验部分,对于句子级概括式文本摘要任务,所提出的模型在English Gigaword数据集上相对于基本的Seq2Seq模型在ROUGE-2上提升了1.92。文档级摘取式文本摘要任务以CNN/Daily Mail数据集作为测试集,无监督式模型相对于基本的TextRank模型在ROUGE-2上提升了0.94,有监督式模型相对于基线模型在ROUGE-2上提升了0.85。最后,根据所提出的文本摘要模型实现了一个文本摘要系统。