网络信息的爆炸式增长加重了读者的阅读负担,想要便捷地找到需要信息变得十分困难。如何提炼文本的要点,帮助用户快速筛选所需信息成为一个重要而富有挑战性的研究课题。自动文本摘要（Auto-matic Text Summarization）技术作为自然语言处理领域的一个重要方向,旨在实现自动化地提炼文本的主要信息,生成简洁流畅的摘要来帮助读者快速了解文本的主要内容。近年来,随着大规模标注语料库的构建以及深度学习（Deep Learning）等关键技术的突破,自动文本技术取得了快速的发展。然而目前生成摘要与人工摘要仍有较大的差距,因为当前模型的信息理解能力不足,工作方式不够合理。本文从文本摘要领域的两个关键研究点展开研究:（1）如何设计合理的自动摘要模型的框架,从而提升文本摘要的质量?人类撰写摘要是一个相当复杂的过程,涉及到对文本内容的理解、重要信息的甄别整理、自然语言的生成。想要生成高质量的摘要,就必须合理地设计神经网络模型的工作框架,使之能够隐性或显性地完成上述的过程。本文通过研究人在撰写文本摘要过程的行为模式,设计出了两种新的文本摘要框架,显著地提升了文本摘要的质量。（2）如何建模文本信息的重要性,从而提升信息抽取的准确性?判断信息的重要性一直是文本摘要的核心任务,然而重要性是结合读者自身背景知识的主观感受,对于读者背景知识的合理建模以及基于背景知识的信息度量是建模文本信息的关键。传统方法多基于数据驱动的方式隐性地建模这一任务,缺乏理论支持,对于低资源领域不友好。本文结合信息论和预训练语言模型从理论角度对信息重要度进行了建模。针对以上两个关键问题,本文聚焦单文档新闻领域,从三个方面展开具体的研究,主要贡献总结如下:首先,本文的第一部分工作聚焦于文本摘要中的信息拷贝行为问题。通过研究模拟人类在撰写文本摘要时选择性地拷贝简洁语句只编辑冗余语句的特点,提出了拷贝-编辑机制（Copy-or-Rewrite Mecha-nism）,允许模型对备选语句 自由地选择拷贝和编辑两种操作,在保证语句流畅的基础上提升了文本的信息度。其中我们引入了分层强化学习（Hierarchical Reinforcement Learning）的训练方法确保机器能够经过自我探索掌握拷贝-编辑的技巧。在多个数据集上测试结果证明我们的方法在自动评测和人工评测上都取得了更好的表现,摘要流畅性和信息性都得到了显著提升。其次,本文的第二部分工作关注文本摘要中的信息融合行为问题。通过模拟人类融合若干强相关的信息点以提升摘要简洁性的行为特征,我们对融合行为进行了建模。利用分割向量实现了对于句子的分组的效果。我们利用极大二人博弈（Maximax Two-player Game）强化学习训练使模型成功学习到了信息融合的模式。实验证明信息融合框架显著提升了生成摘要的简洁性并降低了语法错误。最后,本文在第三部分内容中量化了文本摘要中信息重要度的概念。我们利用预训练语言模型建模用户背景知识并结合信息论计算信息单元基于上下文的信息量,从一个全新的角度实现了信息重要度的建模。实验证明我们的方法较以往模型建模效果更好。