随着移动互联网的快速发展,众多自媒体APP喷涌而出,大大丰富了人们的生活,但与此同时也积累了海量的文本信息。自动文本摘要技术能从繁杂的文本中提取出主旨信息,过滤无关内容,提升人们的工作效率。目前,序列到序列（Seq2Seq）模型成为自动文本摘要技术中的主流研究方向之一。Seq2Seq模型由编码器和解码器两部分所构成,它能够灵活地处理输入输出数据,应用非常广泛。虽然Seq2Seq模型在文本摘要领域中取得了一定的突破,但还有一些问题值得关注和研究。例如,关键词表示不全、单词或语句重复生成、未登录词、曝光偏差等问题。本文针对以上问题,提出一种基于关键词替换的多头注意力机制Seq2Seq模型,和基于改进注意力机制与强化学习的Seq2Seq模型生成方法。主要工作分为以下两部分:（1）实现了一种基于关键词替换的多头注意力机制Seq2Seq模型。主要内容包括:多头注意力机制,模型通过多头注意力机制建立编码器和解码器之间的联系,能够学习到文本在不同空间中的特征信息,解决了长距离依赖问题;关键词替换,该方法利用基于词向量的Text Rank算法对源文本进行关键词的提取,生成一个关键词集,而后对前面模型生成的摘要进行关键词替换,以形成最后的生成摘要,解决了关键词表示不全的问题。最后在万方科研数据集上进行实验,实验结果验证了模型的有效性。（2）实现了一种基于改进注意力机制与强化学习的Seq2Seq模型。主要内容包括:改进注意力机制,编码器采用编码内部注意力关对历史注意力高的部分进行惩罚,解码器采用解码内部注意力对历史预测出的单词进行惩罚,避免当前时刻生成新单词和前面有重复,解决了单词的重复生成问题;指针生成机制,通过使用指针生成器计算指针概率,再依据指针概率决定从输入文本中选择已有单词,还是从固定的词汇表中生成单词,缓解了未登录词出现的问题;强化学习,把生成摘要模型当成智能体,将输出生成摘要作为动作,将生成摘要与输入参考摘要对比的Rouge得分作为奖励,并采用策略梯度方法反复训练生成摘要模型。解决了曝光偏差问题。最后在LCSTS数据集上进行实验,实验结果验证了模型的有效性。