大数据时代各种各样的信息喷涌而出。为了适应大数据时代,提高人们检索资料的效率,自动文本摘要技术成为研究的热点。自动文本摘要技术旨在用短小、简洁、凝练的句子表达源文本内容,是减少资源查找时间的有效手段。深度学习的发展使得对自动摘要技术的研究从抽取式摘要过渡到生成式摘要。生成式摘要模型的主流范式是编码器-解码器结构。编码器融合源文本信息,解码器利用编码器的输出生成摘要。这种方式更加符合人工生成摘要的方法,并且其得到的摘要文本更易于阅读。但是这类模型生成的摘要存在未登录词、目标文本与源文本没有明显对齐等问题。中存在的问题,本文提出基于残差连接的门控序列到序列模型和基于深层N-Gram特征的多头注意力门控序列到序列模型,并在LCSTS数据集上进行实验。本文主要工作如下:1.提出基于残差连接的门控序列到序列模型。该模型编码器在融合双向长短期记忆网络前、后向编码信息时,将二者信息通过门控电路得到融合概率,利用融合概率生成对源文本的编码。利用残差连接,弥补使用门控电路融合时损失的信息,缓解网络训练过程中的梯度问题。使用LCSTS数据集验证模型的有效性。实验结果表明,该模型生成摘要较基线模型质量更好,5层网络较基线模型的ROUGE分数提升高达7个点左右。2.提出基于深层N-Gram特征的多头注意力门控序列到序列模型。该模型采用门控机制融合双向长短期记忆网络的输出,减少信息冗余,采用三个通道的卷积模块提取文本深层的N-Gram特征,采用多头注意力机制改善目标文本与源文本没有明显对齐关系问题,并尝试使用门控注意力机制解决对齐问题。模型在LCSTS数据集上进行验证。实验结果表明,该模型相对于基线模型效果性能有所提升,单层网络ROUGE分数提升1个点左右。