是自然语言处理领域中一个重要的任务。随着深度学习技术的发展,相比于短文本摘要技术,长文本摘要发展缓慢。一方面缺乏可用的大规模数据集;另一方面,当文本序列过长时会产生长距离依赖问题。针对上述问题,本文基于深度神经网络技术,开展长文本摘要建模方法研究。本文从以下四个方面对长文本自动摘要任务展开研究:（1）针对当前中文长文本数据集缺乏的问题,本文采用中文专利数据构建了一个大型的专利数据集。该数据集在关键信息分布、实体衔接性、摘要新颖性等方面与CLTS（中文新闻领域长文本摘要数据集）和CNN/DM（英文新闻领域数据集）进行了对比分析,相关数据表明LCP在长文本摘要任务上更具有挑战性。（2）针对抽取式摘要生成中句子重要性评估和句子选择过程分离的问题,提出了基于BERT打分和Ranking选择机制联合建模的文档摘要方法。该方法将这两个任务结合到一个序列模型中。首先,输入文档中的句子经过BERT映射为高维表征后经过全连接层进行分类;然后,使用Ranking机制抽取出候选句子,再将抽取出的句子用于下一轮的句子抽取,直到生成事先设定长度的摘要。在LCP数据集上的实验表明,本文模型比其他分开建模的模型在Rouge-1、Rouge-2、Rouge-L得分上分别高出1.4%、3.8%、1.6%。（3）针对生成式文档摘要中不能充分捕获输入文档中关键信息的问题,本文提出了一种全局选择编码机制。序列模型的编码器在读取输入后,全局选择编码机制根据文档整体的含义,判断每个单词的重要性,然后选出关键的语义信息和文档的语义向量作为解码器的输入,生成最终的摘要。在LCP数据集上的实验表明,本文模型比基线模型在Rouge-1、Rouge-2、Rouge-L的评分上分别高出0.4%、0.2%、0.7%。（4）针对笔录案情摘要自动生成任务,本章将第四章提出的基于BERT的句子重要性评估和基于Ranking机制抽取的联合模型和第五章提出的全局选择编码模型应用在这一任务上。实验结果表明,第四章提出的联合模型在这一任务上优于其他抽取式摘要方法。而全局选择编码模型在这一任务上,比基线模型在Rouge-1、Rouge-2、Rouge-L的得分上分别提高17%、3%、21%。同时,由于笔录案情数据集不够充足,支撑深度神经网络模型的训练有些乏力,因此,本文提出了面向小样本数据的长文本自动摘要任务的增强策略,这一策略可以有效提高基线模型在笔录案情评估数据上的性能,比未使用策略的基线模型在Rouge-1、Rouge-2、Rouge-L上分别提高了14%、17%、12%。本文面向长文本自动摘要任务,构建了一个中文长文本专利数据集,提出了基于BERT的句子评估和Ranking机制的联合模型以及全局选择编码模型,为长文本摘要任务的发展提供了数据支撑,同时两种模型的提出也可以为后续基于序列到序列模型的长文本自动摘要研究提供重要支持。