互联网信息时代的到来,人们与信息的关系发生了显著的变化。接触的信息日益增多,接触新的信息也变得日益简单,因此如何从海量数据中提取中心内容成为新时代背景下提高人们工作效率和生活水平的关键之一。自然语言处理下的文本摘要技术,即是解决该问题的重要技术。文本摘要技术要求基于海量语料训练模型,将长文本输入模型,模型输出高度概括原长文的文本摘要。在此基础下,可控文本生成又有着比较广泛的应用场景,本研究聚焦于长度可控的生成式文本摘要技术研究。由于不同电子设备的屏幕大小不同,最佳的展示效果对应的文字数目也不一样。模型灵活生成适应不同电子屏幕的不同长度的文本摘要是一件值得深入探索和研究的工作。由于抽取式摘要格式比较死板不概括,灵活概括性高的生成式摘要成为了本次研究的重点。本课题将研究三种不同的长度可控的生成式文本摘要方案。本课题基于三种方法,分别在NLPCC17中文数据集和CNNDM英文数据集进行实验,并都成功生成了长度可控的摘要,rouge指标也基本符合预期。基于最后的实验结果,我们比较了三种方法的优劣,并分析了其中的深层原因。在NLPCC17中文数据集上,我们还人工标注数据500条目标摘要不同长度的数据,用于后续评价。首先,我们修改Transformer模型的位置编码,控制模型生成长度可控的摘要。由于Transformer模型在翻译等生成任务上的优越性,我们基于Transformer模型,尝试了修改其位置编码,引入目标摘要长度信息,使得模型在解码端将长度信息融入到最终的表示中。与传统的长度可控方法对比,指标提升较大。由于NLPCC17中文数据集较小,我们还尝试了迁移学习,先在CLTS PLUS数据集上训练模型,以提高模型在NLPCC17中文数据集上的效果。然后,由于修改大模型的内部的位置编码,不确定性较强。因此我们在不修改预训练模型内部架构的前提下,尝试引入关键词信息。我们选择从源长文本中,抽取目标摘要长度区间关键词,给予模型内容上的引导。基于Bart模型,将抽取的关键字作为Bart模型Encoder端的前缀,控制模型生成对应长度区间的摘要。我们尝试了几种不同抽取关键词的方法,关键词的质量对输出摘要质量影响很大。最后,考虑到非自回归模型在速度上的优越性,我们尝试了基于非自回归模型,生成长度可控的摘要。不同于传统的模型先预测摘要长度,与第二种方法类型,我们先抽取目标摘要长度关键词,之后将其作为解码器输入,并行解码生成摘要。又由于非自回归模型不易收敛,我们将训练一个老师模型,协助模型训练。此外,非自回归模型解码结果存在连续重复的现象,我们对连续的隐向量表示引入余弦相似度损失,使得模型连续隐向量表示差异尽可能扩大,降低重复现象。