随着互联网的日益壮大,信息大爆炸时代已然来临,现有的网络信息平台数据冗杂、充斥着各种广告或虚假信息,快速、精确地从海量数据中获取有效信息显得尤为重要。因此,如何利用自动文本摘要技术,帮助用户在最短的时间内获得最多、最有价值的可信信息成为自然语言处理领域的一个研究热点。目前应用较为广泛的自动文本摘要技术分为三类:抽取式摘要技术、生成式摘要技术和将两者相结合的抽取生成式摘要技术。基于统计或规则的抽取式摘要实现简单、适应性广且贴合主题,但语义理解性差;基于深度学习的生成式文本摘要拥有更强理解和生成文本的能力,但存在可读性差、摘要偏离主题等问题。抽取生成式方法是将两者结合来完成文本摘要任务,本文的研究正是基于这种思想来实现的,主要研究工作如下:针对传统抽取式摘要方法与基于深度学习的生成式摘要方法各自的优势和弊端,提出了融合主题信息聚类编码的文本摘要生成模型TICTS。首先,文本生成主要基于Seq2Seq模型实现,模型编码端采用了Bi-GRU模型,其双向的神经网络可以较为完整的保留上下文信息,信息丢失的问题得到进一步改善;其次,为解决生成式摘要技术存在摘要生成过程缺乏关键信息控制和指导的问题,本文利用基于词向量的K-Means算法对文档进行聚类,筛选得到文本的主题信息,构建了主题注意力机制,并将其与Bahdanau注意力机制结合,用以捕获输入与输出词、输入与主题信息之间的关联强弱性;最后,解码端采用了LSTM模型,在充分利用文本上下文信息的基础上,提高了生成摘要的主题相关度。模型选用LCSTS数据集,采用ROUGE评价指标对模型进行评估,实验结果验证了模型的有效性。其次,设计并实现了新闻简报系统,将TICTS模型应用于新闻摘要的提取,为用户提供了一个简约、便利的新闻获取平台。系统根据用户需求进行了系统功能模块设计,包括新闻摘要浏览模块、新闻分类模块、新闻爬取模块、摘要生成模块以及文本转音频模块,实现了前端新闻界面与后台新闻发布系统的数据交互。其中,新闻摘要浏览模块和摘要生成模块是该系统的核心功能模块,通过应用自动文本摘要技术有效解决了新闻网站存在的冗余、片面、杂质信息等问题,提高了人们的阅读效率,避免了“标题党”新闻,满足了人们的碎片化阅读需求。该系统功能特色性强,具有较好的实际应用价值与应用前景。