多文档摘要是自然语言理解领域的一个重要课题。它的目的是从内容相似的文档集合中抽取重要信息并生成信息丰富、语言简洁的摘要,从而提供一个快速获取、浏览和使用信息的手段。本文主要研究基于子主题的多文档摘要技术,即将多个文档的内容按照信息的侧重点不同划分为多个子主题,再从各个子主题中按照一定策略抽取重要信息,去除冗余信息进而生成摘要。这种方法使文摘内容具有更好的平衡性,包含的信息简洁全面。针对子主题划分的任务,本文采用聚类方法将内容相似的信息聚集到一个子主题中。为此,本文深入研究了四种计算句子相似度的方法,并在这四种相似度计算方法基础上分别进行了层次聚类。本文提出了综合使用语义词典和统计信息的方法计算句子相似度的方法,可以更加准确的刻画句子相似度,为子主题划分和摘要生成奠定了基础。在子主题划分的基础上抽取句子步骤涉及到以下几个子问题:子主题特征词抽取,句子重要度的计算、句子抽取策略。由于每个子主题覆盖整个文档集合的一个侧面的信息,因此需要从子主题中抽取出体现该子主题核心信息的特征词,称为sub-topic-signature(STS)。这些特征词对于后面句子的抽取具有举足轻重的意义。本文试验了通过count-idf方法、假设检验方法等几种方法得到的结果,并给出了比较分析。在句子重要度计算步骤中,综合考虑了句子位置因素、实体因素、核心词因素、指示词因素等因素,综合多个因素给句子打分,按照重要度排序作为句子抽取的备选顺序。在抽取过程中,本文提出了使用有效词的权重均值数作为信息量描述方式,根据已经抽取的句子集合从备选句子集合中抽取新句子,使最终抽取出的句子集合包含的信息量最大,从而达到使文摘的冗余信息最小的目的。基于以上方法,我们在5个类别的文档集合上分别进行了试验,并使用基于句子准确率/召回率方法和基于n-gram方法分别进行了文摘的质量评估。实验结果表明,我们在多文档摘要的子主题划分方法和句子抽取策略上的改进在一定程度上提高了最终摘要的质量。本文是对多文档自动摘要的初步探索,在子主题划分方法和句子抽取策略方面取得了一些成果。多文档自动摘要具有广阔应用空间和发展前景,还需要我们付出更多的工作和努力。