自动文本摘要技术一直是自然语言处理中的热点与难点。近年来,针对新闻文本的摘要生成研究较多,且已日趋成熟。相比于具有较固定结构的新闻文本,还有一些长文本具有复杂的文本结构,如专利、剧本等。由于这些文本的摘要研究不多,使用传统文本摘要方法生成的摘要存在着内容不准确、覆盖不全面等问题。以往的大量研究主要集中在对语义信息等序列化信息的使用上,而相关研究表明文本结构信息对于摘要的生成同样具有较大的作用。本文拟通过研究利用文本结构信息来提高长文本摘要的质量,并在具有典型代表性的专利和剧本文本上进行实验。具体包含以下三个方面:首先,针对长文本中存在复杂的上下文关系,主流模型难以有效利用其上下文结构信息的问题,提出了一种基于上下文结构信息的长文本摘要方法。该方法通过解析原文结构,使用并列结构和句间关系来表示上下文信息。在编码器阶段,引入图卷积神经网络,分别使用字级别编码和句级别编码来表示句子内部和句子外部的上下文关系,将二者融合形成最终表示提供给解码器来生成摘要。实验结果表明,该方法与传统生成方法相比,在ROUGE评价指标上有显著提升。其次,针对长文本中存在对话结构难以建模,传统模型无法充分利用对话信息的问题,提出了一种基于对话结构的长文本摘要方法。该方法利用原文中人物角色之间的对话关系,构建对话顺序结构和对话交互结构图,引入图神经网络对其建模,通过对话结构来表示句子与其他句子之间的关系,最后通过分类器完成摘要抽取任务。实验结果表明,引入对话结构能够提高抽取摘要的质量。最后,针对长文本中场景结构信息不足以及关键信息缺失的问题,提出了一种基于场景结构信息的长文本摘要方法,该方法是一种结合抽取和生成的摘要方法。首先在对话结构的基础上,深入分析原文的场景结构和人物信息,通过图神经网络融合多种结构来抽取关键句,作为生成模型的输入。然后基于BART预训练模型,在输入端额外加入场景和人物嵌入表示来丰富输入文本的语义特征,最后通过自注意力解码器生成摘要。实验结果表明,该方法在ROUGE评价指标上有显著提升。