如今的互联网时代,大量的新闻出现在人们的日常生活中,需要人们花费更多精力和足够时间在庞大的信息库中去搜索和甄别我们感兴趣的内容,而文本自动摘要技术可以在不更改文章含义和不丢失其重要信息的前提下,概括出新闻的关键信息和主体内容,从而帮助人们减少阅读的时间。近年来指针生成网络模型（Point Generator Network,PGNet）的提出极大地促进了摘要生成技术的发展,有效解决了未登陆词无法生成和内容重复问题,但该模型存在未能充分理解句子的上下文语境、导致生成的内容缺乏关键信息等问题。此外,当文字序列过长时可能出现梯度消失、梯度爆炸的现象,因此该模型对长文本的处理较差。针对上述问题,本文进行了针对性的研究,主要集中在改进基于PGNet的自动文本摘要技术上。具体而言,本文的主要研究工作包括以下方面:（1）首先本文针对PGNet模型对句子的上下文理解不够充分、生成内容缺失核心信息的问题,基于指针生成网络,提出一种原文信息增强表示的摘要生成模型Re-PGNet（Reforced Point Generator Network）。该模型首先利用BERT预训练语言模型来提取输入语句更加细粒度的上下文表示;接着在PGNet的编码器端,利用词句匹配矩阵来给词的状态融入和该词最相关的原文信息,来提高对原文有效信息提取的能力;最后,将关键词作为先验知识融入到模型的解码过程中,生成以关键词为导向的摘要。（2）针对PGNet存在对长文本处理较差问题,本文将摘要生成任务分为两个阶段实现:抽取式阶段和生成式阶段。通过提出的基于Text Rank与多维语义特征融合的自动摘要抽取模型MD-Text Rank（Multi-dimensional Text Rank）,从原文中抽取出能代表文章关键含义的句子作为候选摘要句输入到生成式阶段的Re-PGNet模型中来生成最终的摘要。其中,MD-Text Rank建立在传统的Text Rank算法上,引入BERT表示新闻文本信息,并从句子与标题相似度、句子与主题相似度、关键词覆盖率、是否含特征词四种维度对句子的权重加权更新来得到摘要句。最终,本课题得出两个结论。第一,实验结果显示,在LCSTCS微博短文摘要数据集和NLPCC 2017新闻长文本摘要数据集上,本课题提出的原文信息增强表示的摘要生成模型Re-PGNet在处理长文本和短文本时都是切实有效的,相比于当前主流的生成式文本摘要方法,本文提出的方法在Rouge评价指标上取得了显著的提高。但是,在NLPCC 2017数据集上的Rouge指标低于LCSTCS数据集,表明该模型对长文本的处理还有待提高。第二,实验表明采用多维度加权的摘要方法,抽取出的候选摘要优于Text Rank算法与其它一些基线模型的抽取结果。并且,经过两阶段生成的摘要结果,在Rouge指标和也明显优于PGNet模型直接处理长文本生成的摘要结果。