新闻一直是人们获取信息的重要途径,特别是随着移动智能终端的普及,微博、微信公众号等诸多新兴媒体逐渐代替了传统的纸质媒体。这些新媒体为了引人注目,往往将标题起的非常夸张,但新闻内容可能和标题毫不相干。当下快节奏的生活方式决定了阅读往往是碎片化的,人们急需一种方法能在短时间内快速了解新闻的重点内容。自动文本摘要技术可以对新闻进行压缩和总结,提取重点内容,过滤冗余信息,提高人们阅读效率。本文主要结合强化学习方法,对文本摘要模型进行改进,主要研究内容如下:（1）生成式摘要模型构建及改进。采用Encoder-Decoder框架,使用预训练语言模型提取语义特征,同时采用内部注意力机制记忆历史重点信息,解决长距离依赖问题;增加指针机制,解决未登录词（OOV）问题。（2）基于强化学习中的自批判策略梯度方法提升模型生成摘要的质量。主要提升两方面的性能:一是在ROUGE评分上的表现;二是摘要的语义连贯性。其中本文提出了基于预训练模型的语义连贯性评价网络,对生成摘要的语义连贯性进行评分。最后在CNN新闻数据集上进行实验,实验结果证实了自批判策略梯度方法能有效提升生成式模型在ROUGE指标和语义连贯性指标上的表现。（3）针对生成式摘要模型处理长文本能力不足的问题,提出基于实体特征和演员评论家算法的生成式摘要增强方法。即先使用抽取模型抽取重要句子,再使用生成模型进行摘要生成。在抽取式模型方面,提出引入文章中的共指实体信息辅助模型抽取,以增强抽取句子的准确性。同时基于强化学习中的演员评论家算法将两个模型组成端到端的系统进行训练,最大化发挥抽取加生成的优势。实验结果同样验证了基于实体特征和演员评论家算法的生成式摘要增强方法的有效性。（4）设计并实现了新闻文本摘要生成系统。以本文提出的摘要模型为基础,结合Web开发技术实现一个新闻文本摘要系统,为用户提供新闻摘要服务,并将最终结果在网页上展示给用户。