面对互联网的海量数据,自动摘要技术通过一定手段压缩文字内容获取文章的主旨,摘要是对文本信息的高度概括。随着深度学习技术的不断发展,目前生成式摘要主要使用序列到序列模型,通过编码器-解码器框架将文本编码后的语义向量传入解码器后生成摘要。针对已有模型框架中存在的一些问题,本文从充分挖掘文本序列信息出发提高模型效果,具体研究工作主要包括以下三个方面:(1)首先,提出一种基于注意力机制网络结构的自动摘要模型。考虑到文本信息具有时序特征,使用循环神经网络编码器对输入序列进行编码,同时为了提取句子短语特征,本文在原有模型基础上引入卷积网络。在注意力计算模块结合两种网络结构的编码信息,计算得到新的上下文向量,传入解码器生成摘要。实验结果表明,本文提出的模型在ROUGE评测指标下表现较好。(2)其次,提出一种基于自注意力门控网络的自动摘要模型。由于卷积核大小及训练时间等方面的限制,导致距离较远的特征之间缺少全局上下文联系,为解决此问题,本文使用自注意力门控处理卷积编码信息。实验结果表明,本文提出的模型实验结果在ROUGE评测指标下有所提升。(3)最后,提出一种基于双重门控注意力网络的自动摘要模型。本文旨在从丰富解码信息出发,在注意力模块构造门控分别筛选两个编码网络输出的核心信息,并使用传统的软注意力计算方法分别得到各自的上下文向量,在后续解码过程综合两个注意力模块的结果获取摘要。实验结果表明,引入双重门控注意力后,本文提出的模型性能有所提升。