随着互联网技术日益强大,网络数据量呈指数增长,人们在众多文本中寻找有用信息变得繁琐。文本自动摘要技术的出现,帮助人们快速提炼文本中的有效信息。文本自动摘要技术主要分为抽取式和生成式两类,其拥有不同的原理和使用场景。目前,基于编解码网络的抽取式摘要模型存在对重点语义捕获能力较弱以及解码时语义损失过多的问题;基于编解码网络的生成式摘要模型存在全局相关度低以及记忆节点信息计算片面的问题。本文对上述问题提出解决方法,完成以下工作:（1）提出了一种融合多层次主题特征的文本摘要模型ESMTF。针对模型对重点语义捕获能力偏弱的问题,本文设计了一种多层次主题特征提取方法,在编码时对全局信息特征和局部主题特征进行提取和融合,以提高模型对重点语义的捕获能力;针对解码时语义损失过多的问题,本文设计了一种置信度计算方法Ext Conf,在置信度计算过程增加缓冲层,缓解了解码时语义丢失过多的问题,从而提高置信度计算精度。结合以上方法提出了文本摘要模型ESMTF,在Pubmed数据集上的实验结果表明ESMTF相较于其它模型在Rouge指标上有明显提升,验证了模型改进的有效性。（2）提出了一种基于语义增强的文本摘要模型Sum CNN-PCM。针对生成摘要全局相关度较低的问题,本文设计了一种多元语义特征提取方法Sum CNN,在编码前进行多元语义特征的提取和融合,通过对语义信息的增强,提高了生成摘要的全局相关度;针对记忆节点信息生成片面问题,本文在计算记忆节点时融入了全文压缩语义,使生成的记忆节点信息更为丰富。并引入point-network和Coverage机制解决生成摘要出现OOV和重复词句问题。结合以上方法提出了基于语义增强的文本摘要模型Sum CNN-PCM,在CNN/Daily数据集上的实验结果表明Sum CNN-PCM相较于其它模型在Rouge指标上有明显的提升,验证了模型改进的有效性。（3）设计并实现了一个文本自动摘要系统。该系统以本文提出的文本摘要模型ESMTF和Sum CNN-PCM作为算法模型支撑,完成对文本自动摘要系统的需求分析、设计与实现。