在大数据时代,网络上的博客、新闻文章和报告等文字信息空前增长,从大量的文本中检索到有用信息是一项具有挑战性的任务。自动文本摘要技术为提取这些文本的重要信息提供了一种有效的解决方案,有了简短的摘要,文本内容可以被人们有效地检索、处理和消化。当前比较流行的机器学习自动文本摘要方法大多数使用基于循环神经网络的序列到序列架构,存在不能很好的保留源文本的重要词汇和语法结构、生成的摘要句与源文本语义差异较大、以及产生一些冗余信息等诸多问题。针对以上问题,本文研究了基于LSTM序列到序列模型的文本摘要生成方法,设计并实现了一种改进的编码器-解码器架构来帮助模型生成更加贴合主题信息、冗余信息更少、语法结构更准确的文本摘要。具体来说,本文的主要贡献包括以下几个部分:首先,设计并实现了一种改进的编码器结构。源文本序列输入到编码器之前,经过预处理之后被word2vec模型训练的词嵌入替换,随后采用会根据前后语境对多义词进行理解的ELMo模型代替前者来改进词嵌入方法。编码器使用双向LSTM神经网络同时引入主题融合注意力机制,利用LDA主题模型提取文本潜在的主题信息,为文本摘要提供先验知识。在此改进后的编码器基础上,引入了增强摘要句子结构信息的复制机制,通过将词性以及依存句法关系加入到模型中,以避免漏掉在源文本句子结构中起关键作用的词语以及词与词之间的依赖关系,并通过其在编码器结构中多种组合方式,来对比不同组合对摘要生成结果的影响。其次,在解码器端使用LSTM神经网络解码,并在摘要生成过程中引入覆盖率机制和基于覆盖率的正则化器,对模型进行额外的覆盖训练,选择验证损失最小的模型。同时还引入集束搜索算法,用来减少摘要词的搜索空间,提高搜索效率。并在搜索算法中通过增加一种奖惩机制,用来保留与源文本具有高度相关性的摘要。随后设置多组对照实验来研究这些技术在文本摘要生成中的有效性。最后,将改进后的编码器-解码器在LCSTS公开数据集上进行测试,以ROUGE指标来作为评判标准,实验结果证明了改进后的模型在自动文本摘要任务上的有效性。