近些年,“人工智能”也变成大众耳熟能详的名词,机器翻译、文本摘要等序列任务也得到广泛的应用。如今,在工业界以及学术界解决序列到序列问题的主流方法是采用序列到序列的模型结构,其主要框架是由编码器-解码器构成。本文将整个模型框架分成模型参数、模型结构、文本数据三个部分,并从这三个角度出发优化各个序列任务,同时将其运用到机器翻译以及抽象文本摘要两个典型的序列任务。1、从模型参数的角度优化卷积神经网络容易陷入到的局部最优点问题,提出了逐层去训练和重训练的实验方法,迭代优化整个神经网络,使其更加趋向于全局最优。实验结果表明,本实验方法能够更有效地训练整个网络结构趋于全局最优,同时翻译性能也能有所提升。2、从模型结构的角度优化抽象文本摘要,改进编码器-解码器的模型结构,在常规注意力的基础上,融入新的对手注意力机制,以此来增强传统注意力的贡献,同时使用联合训练削弱对手注意力的影响力。实验结果表明在融入了对手注意力机制之后,模型的对齐效果更加明显,摘要文本的准确率和召回率都有了显著的提升,在多场景训练集上均取得了不错的实验结果。3、从文本数据的角度优化文本摘要中的冗余序列,通过同时解码生成摘要序列和冗余序列两类文本,以达到将两者从源句中区分开的效果。实验结果表明,增加冗余序列之后,模型能够有效区分源文本中的相关信息和冗余信息,并将其负面影响降至最低,且能生成更高质量的抽象文本摘要。本文的实验结果表明,所提出的三种方法均能有效优化各个序列任务,同时提升模型性能,并获得更高质量的翻译文本或者摘要文本。