在网络文化的快餐时代,数据资源呈现爆炸式增长,给人们带来信息过载的困扰,且随着社会节奏加快,生活压力变大,人们没有足够多的时间精力浏览所有文本信息,往往希望利用碎片化的时间去获取更多的有用信息。通过阅读文本,人们可以快速掌握文章主旨,判定文章的需要性,且不会被文章标题党所蒙骗,有效缓解信息过载引发的时间精力问题。文本自动摘要的主旨是将文本或文本集合转化为包含关键信息的简短摘要,按摘要的类别进行划分,可以分为指示性摘要,信息摘要,关键词摘要以及标题。随着近些年深度学习在自然语言处理领域的发展,基于Seq2Seq框架的自动摘要研究已成为主流。因此,本文在Seq2Seq框架的基础上,引入注意力机制,构建关键词摘要模型和信息摘要模型。主要研究内容如下:(1)基于深度学习的关键词摘要研究。研究使用基于word2vec词向量的文本语义表示以及基于Seq2Seq框架的关键词摘要方法,并引入注意力机制作为基线模型进行试验,与传统的机器学习方法进行比较,在此基础上引入了拷贝机制(Copying Mechanism),从输入序列中拷贝合适的片段到输出序列中。实验结果表明,在基线模型的基础上引入拷贝机制,能够提高关键词摘要生成的效果。(2)基于深度学习的信息摘要研究。提出基于语义相似度计算的信息摘要模型DVSNET,主要针对基线模型的无法正常解码未登录词问题以及生成式任务常见的重复问题,引入了指针网络模型和覆盖机制,并为进一步提升自动摘要质量,加入了文档相似度计算,最大化目标摘要与源文本的语义相似度。实验结果表明,该模型能够解决信息摘要中的未登录问题,缓解生成式摘要任务中的重复问题和通顺度问题。(3)自动摘要系统的设计及实现。介绍司法案例智能检索系统的总体设计思路和处理流程,并将生成的关键词摘要应用到该系统中;搭建自然语言处理平台,实现信息摘要的前端页面系统展示,证明自动摘要的实用性和有效性。