信息化的迅速发展给人们带来便利的同时,也使得网络中充斥着大量冗余、非结构化的文本信息,这也大大降低了人们获取信息的效率。自动摘要技术可以帮助人们快速地获取信息,而利用标题生成技术则可以获得更加简洁的摘要。本文将其作为研究任务,针对短文本语料和长文本语料,分别从文本特征表示和层级模型两个方面深入挖掘文本语义信息进行标题生成。在文本特征表示方面,为了深入挖掘语义信息,本文针对短文本语料进行了基于词向量的文本特征表示研究。在词向量基础上,引入多种抽取式摘要中常用的特征,如词频、位置、聚类以及层次分布等特征,使文本特征表示对标题生成具有任务倾向性,并对这些文本特征的不同组合和表示进行相关研究;引入这些特征可以从语言学、统计学等角度对文本语义进行深入挖掘。在特征表示时,本文将词向量与引入特征直接进行拼接;并在此基础上,针对标题生成任务训练专门的词向量,利用命名实体,词性、主题特征等信息构造新的词向量训练语料,以期得到的词向量包含部分语言学和统计学信息等。在标题生成任务中引入抽取式摘要特征可以与词向量在表示语义时相互补充,从而全面多角度地深入挖掘文本语义信息。通过对比实验验证其有效性。此外,对稀疏词语义进行不同类别的细化表示,实验表明其对性能提升有一定作用。在模型方面,本文提出了一种标题生成的层级模型,利用抽样算法和序列映射两个过程深入挖掘文本的重要语义信息。其中,抽样算法包括抽样概率公式和行列式点过程(Determinantal Point Processes,DPPs)抽样;序列映射主要利用序列到序列模型实现输入序列到输出序列的语义映射。针对短文本语料先利用所构造的抽样概率公式进行词抽样挖掘重要语义信息,然后利用序列到序列模型生成标题;针对长文本语料先利用DPPs进行句子抽样筛选语义信息,并提出静态DPPs抽样算法和动态DPPs抽样算法增加筛选语义的多样性;实验结果表明,层级模型中动态DPPs抽样算法将抽样得到长摘要的字数限制在一定范围时,能够提高长文本语料标题生成的质量。