随着人工智能的蓬勃发展,深度学习以其优异的特性被广泛应用于自然语言处理领域。文本生成任务作为自然语言处理领域中的热门话题之一,目的是从海量文本数据分析中获得有用信息,再根据这些信息提炼出重要内容。在这些文本数据中,根据数据的长度可分为短文本和长文本。现有的大多数方法均面向短文本信息,而对于长文本信息的有效处理仍缺乏深度研究。在该背景下,本文主要结合输入长文本数据无法充分学习全局语义信息与长文本摘要无法保证语言精练或缺少关键信息的问题,开展了面向长文本数据的文本生成方法研究,主要工作如下:（1）针对传统生成对抗网络的判别网络面对长文本时无法充分学习到全局语义信息,提出了一种基于多头自注意力机制的长文本生成对抗网络模型。该模型采用多头自注意力机制作为特征提取器提取预处理后的文本特征向量,该特征向量涵盖输入文本的全局语义信息,增强了模型的特征提取能力,同时使用门控循环单元编码文本序列,得到当前词的编码特征并与被编码后的特征向量共同预测下一个词。实验表明,本文提出的模型提取到的特征向量包含全局语义信息,从而更加有效地提高长文本生成质量。（2）针对抽取式文本摘要生成的长文本摘要不够精炼,以及生成式文本摘要生成的长文本摘要缺少关键信息的问题,提出了一种基于Transformer的混合式长文本摘要模型。通过抽取式模型对原文的关键信息进行分析并提取,删除大量冗余信息,仅保留与标准摘要最为相关的语句,使用BIO标签辅助生成式模型对预测概率高的词进行连续复制,使得生成的摘要保留更多的关键信息。实验表明,本文提出的模型可以从原文中获取更接近目标摘要的关键信息并进行改写,有效地解决了长文本摘要无法保证语言精练或缺少关键信息的问题,使得生成结果更接近标准摘要。（3）为了适应长文本生成在实际应用中的需要,根据上述提出的两个模型,设计了长文本自动生成系统。并对系统总体设计和主要功能模块进行详细介绍,最后分别展示了摘要生成模块在中英文新闻领域和文本生成模块在中英文诗歌领域上的具体实现。