近年来,随着互联网的高速发展,用户可以快速的获取各种热点信息。由于信息的爆炸式增长,用户在获取有用信息的同时,不可避免的被迫阅读一些无用信息,浪费用户时间,大大增加了用户获取信息的成本。因此,将热点信息进行概括并且保留原有重要信息的标题生成方法成为研究热点。本文从深度学习的角度出发,研究如何利用深度学习知识对标题生成任务进行建模。为此,提出了三个基于神经网络结构的标题生成模型,主要工作和创新点如下:(1)详细分析了标题生成任务的研究目的和意义,根据已有模型,针对编码器层数对于文本信息编码和压缩的影响,提出了基于多层编码器的标题生成模型。本文通过不同层数的编码器模型研究编码器层数对文本信息的编码和压缩作用。(2)针对传统标题生成模型仅利用文本第一句话作为输入而忽略其它文本信息的问题,提出了基于主题概念的标题生成模型。通过文本主题概念挖掘更深层次的文本信息,并利用这些文本信息生成高质量的标题。(3)为了综合考虑文本主题信息对模型的影响,提出了基于变分自编码器的标题生成模型。利用变分自编码器计算文本主题向量,通过文本主题向量与模型注意力机制相结合的方法,构建涵盖更多语义信息的编码向量,生成更高质量的标题。(4)在Gigaword和DUC-2004数据集上的实验结果显示多层编码器更有助于文本信息的编码和压缩,同时本文提出的两个基于主题的标题生成模型优于当前最好的模型,这证明了本文模型的有效性和可行性。