当前是一个信息爆炸的时代,人们都在创作或者接受各种各样的文本资讯。让机器学会生成文本在一定程度可以避免人们机械重复的信息生产过程,在提高效率的同时还可以为人类创作提供灵感或者辅助。文本的内容通常会围绕特定的主题进行展开,如果文本内容松散,缺乏明确的主题,文本可读性就会下降。当前的许多文本生成研究也较少对于主题信息进行建模研究,因此,本文主要探究融合主题信息的文本生成技术。首先,本文对主题模型的主题表示能力进行探究,通过在主题模型LDA中引入词向量与温度机制,将主题-词语分布改进成混合分布。通过设计损失函数并与吉布斯采样联合训练主题模型。实验结果显示,训练得到的主题模型能够在一定程度上提高主题内的一致性与主题间的多样性,获取的主题信息也能够在下游任务中提高实验效果。其次,本文将主题模型融合至生成式文本摘要中,具体任务为根据案例文书生成庭审焦点。通过将案例文书输入神经主题模型中,得到的主题-词语分布权重矩阵与文档-主题分布向量。将其进行线性变换并融合至基于Transformer的生成式文本摘要模型中。在诈骗罪、盗窃罪和故意伤害罪三个案由数据集上的实验显示,结合主题模型的生成结果在各项评价指标上基本优于普通的生成式模型,并显著优于抽取式文本摘要方法和一些无监督算法或启发式方法。最后,本文构建了一种主题增强的近体诗生成模型TPoet。通过在诗歌语料上训练主题模型,并将主题信息融合至基于Transformer的自回归语言模型中。具体包括在输入层引入主题标识符以及在Transformer计算单元中的主题注意力机制。同时,本文在输入层还设计了包括格式、音律、韵脚等标识符,让模型显式地学习生成诗歌的各种限制条件。在近体诗数据集上的实验结果显示,本文提出TPoet模型生成的诗歌在多个指标包括主题一致性、格式准确性、韵脚准确性等方面都要优于当前的先进结果。本文在文本生成中融合主题信息的策略可为其他研究提供参考。同时,本文研究也具有一定的现实意义,如庭审焦点识别研究有助于辅助检察机关工作人员的庭前预案;诗歌生成则在文学创作、教育、休闲娱乐等方面有广阔的应用价值。