随着互联网技术的发展,越来越多的社交媒体网络平台逐渐产生,为人们带来了新的获取信息的途径,成为了人们日常生活中获取公开信息的主要来源方式。相比与传统的新闻媒体,微博、今日头条等社交媒体网络具有更好的互动性和时效性,有着更丰富的新闻表现形式,能够在新闻发生后第一时间帮助人们获取相关资讯。但是社交媒体网络中的新闻并非全部都是关键信息,包含大量冗余内容。人们可能需要花费更多的时间从新闻中获取需要的信息。在上述背景下,本文开展了面向中文新闻的文本自动摘要研究,试图利用文本自动摘要技术对目标新闻文本进行摘要,帮助社会大众快速了解新闻中的关键内容,提升新闻阅读效率。首先,本文提出了一种面向中文新闻的抽取式摘要模型。该模型利用BERT结合词频、位置等外部特征,提取符合新闻文本特点的词嵌入,输入到Bi-GRU模型中进行训练,筛选包含新闻主题相关信息的候选摘要句。实验结果表明,训练得到的抽取式摘要模型能够有效捕获新闻中的关键信息,保证摘要结果连贯、可读,同时获取的关键句子能作为生成式摘要模型的输入,提升摘要结果。其次,本文提出了一种面向中文新闻的生成式摘要模型。模型利用BERT获取词嵌入表示,在指针生成网络模型的解码阶段结合多头注意力机制获取摘要结果,充分利用在不同语义子空间内学习到的信息。同时,模型结合了 coverage机制,保证解码时生成更少的重复文本片段。实验结果显示,本文提出的生成式摘要模型能够有效提升摘要生成的效果,并且能够有效解决生成冗余内容的问题。最后,本文构建了一种面向中文新闻的混合式摘要模型。模型的抽取式摘要子模块结合RoBERTa和多维度的外部特征得到新闻文本的向量化表示,送入Bi-GRU及分类层,筛选候选摘要句。模型的生成式摘要子模块,将UniLM与coverage机制相结合,从候选摘要句中生成摘要。模型训练采用本文提出AELoss损失函数,联合训练两个子模块。实验证明,本文提出的模型在两个公开的中文新闻摘要数据集上均取得了当前的最优结果。相比于单独使用抽取式/生成式摘要模型或其他混合式摘要模型,本文提出的模型在摘要自动评价指标方面明显提升,生成的摘要结果更接近于标准摘要。