近年来,随着网络信息的不断增长,通过互联网获取信息已经成为人们获取信息最直接也是最必不可少的渠道,但是想要快速有效的从海量信息中获取人们最想要的信息却是难以实现。多文档自动摘要是有效解决这一问题的方法之一,因此,多文档自动摘要的研究具有十分重要的理论意义和实践价值。主要的任务是挑选出文档中最能表达主旨的句子,因此其中最关键的问题是如何挑选出这些最具代表性的句子。当前的研究都是通过给各句子打分来进行挑选,而基于图模型的句子打分方法更是当前研究的一个热点。该方法通过构建一个以各句子为顶点、句子之间相似度为边权重的句子图,然后在通过多次迭代计算出各句子的最终得分,并以此得分为挑选文档摘要句子的依据,根据句子的重要性程度排序文档中有限长度的句子,排序较高的句子因其重要程度高而被作为最终的摘要句反馈给用户。然而,该方案只是针对句子层面的信息进行排序处理,而忽略了更多的语言信息。本文针对基于图模型的多文档摘要算法中存在的以上问题,研究融合文档中各句子所含的词项信息以及各句子所属的文档信息,构建一个包含词项、句子以及文档的三层图模型结构,通过该方法提高多文档自动摘要的质量。在DUC’2003和DUC’2004多文档自动摘要数据集上的实验结果表明本文所提出的三层图模型算法显著地优于传统多文档摘要算法。