近年来科技论文增长速度持续上升,数量庞大的文献资源为科研人员带来机遇的同时也带来了挑战:科研人员需花费大量时间和精力去阅读相关领域文献来获取研究前沿、研究热点、存在问题、主要技术等重要信息。针对该现状,如何快速、高效的进行信息的挖掘和归纳尤为重要。自动综述技术能够实现已有文献内容信息的归纳和提炼,是应对海量学术资源的重要手段,对科研工作乃至管理部门决策均具有重要应用价值。现有自动综述相关研究多是按照句子、主题或语步进行综述组织,其中主题级自动综述能够覆盖到更加全面的子主题信息,而语步级自动综述在文档结构上更加合理。实现自动综述的相关技术方法包括计量+浅层语义分析和文本摘要两大类,前者能够获得相对宏观的归纳性信息,后者则能够深入到文本内容,实现内容层面的归纳总结。尽管自动综述相关研究已有一定基础,但还存在以下不足:（1）在内容组织上,缺乏满足问题驱动型科学研究范式应用需求的自动综述组织形式;（2）在技术方法上,计量+浅层语义分析通常分析层次较浅,归纳的结果需要进一步专家解读;自动摘要方法生成的文本存在缺乏语义逻辑关系、内容割裂等问题。针对以上问题,本文面向问题驱动型科学研究应用需求,采用计量+浅层语义分析与文本摘要方法结合的方式,构建问题驱动型自动综述技术框架,并提出解决技术框架中关键技术问题的方法,最终生成以“发现问题-解决问题”为组织逻辑、具有较强可读性的问题驱动型综述文本。具体而言,主要开展了以下工作:（1）问题驱动型自动综述技术框架设计。根据综述文档的结构与内容特征、问题驱动性研究范式的特点,提出实现问题驱动型自动综述需要解决的三个关键技术问题:如何进行主题相关问题实例的识别与归纳;针对存在的问题,如何识别和归纳解决问题的方法实例;如何对主题相关描述性信息进行归纳总结。并据此构建了问题驱动型自动综述技术框架。（2）主题-问题实例识别与归纳方法。提出了主题级问题实例识别方法,将问题实例识别任务看作基于主题的候选短语分类任务,采用句法分析工具建立句法依赖树、抽取候选短语,构建句法依赖增强的主题-问题实例识别模型,模型通过Transformer与Bi GCN学习句法信息,并通过两者交互的方式实现两类信息的相互增益,采用基于主题的注意力模块判断候选短语是否为给定主题的问题实例,模型识别准确率为84.6%,相比基线模型提高了2.3%;提出了以Leiden社团聚类算法为主体的细粒度问题实例归纳方法。（3）问题-方法实例识别与归纳方法。现有方法实例识别模型很少考虑方法的使用主体,本文提出了的特征增强的序列标注模型用于方法实例的识别,模型在BERT原有三类输入特征的基础上,增加了词性特征和提示特征以帮助模型判断方法的使用主体,模型识别准确率为90.2%,相比基线模型提高了6.1%;通过词形还原、缩写原型合并、去尾操作和编辑距离的方式实现相同方法实例的合并。（4）主题-描述语句识别与归纳方法。将R-GAT应用于主题级描述语句的识别,该模型能够学习句子的综合句法信息,关注到与主题具有句法依赖关系的上下文,在主题级描述语句识别任务中识别准确率为95.48%;提出多层级描述语句归纳方法,该方法采用Sentence-BERT计算句子级和关键词级两个层次的相似度,以同时捕捉句子的全局相似性和重要信息相似性,对Text Rank的句子打分结果应用MMR多样性重排序算法,以兼顾归纳结果的重要性和多样性。（5）在实现自动综述关键技术的基础上,设计了问题驱动型自动综述生成模板,将归纳总结的信息按照模板进行组织,形成最终的综述文本。此外,在实证研究中以“community detection”为主题,通过与已有文献综述对比、专家评价等方式验证了所提方法在主题相关问题归纳、问题相关方法挖掘、主题相关描述信息归纳以及综述文本生成任务中的有效性,生成的综述文本在专家评价中总体打分为4.2,说明本研究提出的综述方法能够较好的满足用户需求。本文的主要研究创新如下:（1）提出了问题驱动型自动综述技术框架,相比其他自动综述形式,本研究以“发现问题-解决问题”的逻辑进行综述内容组织,更符合我国科技创新大环境下对于问题驱动型研究的需求,目前较少有研究在自动综述中体现问题驱动的思想。（2）提出了句法依赖增强的主题级问题实例识别模型。现有问题实例识别研究中,均未考虑主题与问题之间的对应关系。本研究将问题实例识别任务看作候选短语分类问题,构建了句法依赖增强的主题级候选短语分类模型,能够有效识别给定主题对应的问题实例。