文本复述任务使用基于深度学习的自然语言处理技术,可以为生成出来的文本赋予多样性和创造性。其任务目标是让机器使用不同的措辞、表达,将原先的文本复述出来,该过程需要最大程度地保留原文本中的核心语义,并且保证生成的语句通顺。本文提出结合同义词词林和依存句法的词语复述生成以及基于命名实体识别和Laser Tagger的短句复述生成方法,通过学习数据样本之间的多样性及语句流畅度,在最大限度保留原句语义的情况下生成通顺的文本。本文的主要研究工作如下:（1）中文文本复述语料库构建本文旨在对短文本序列进行复述生成,在原有公开数据集北大释义库的基础上进行预处理,筛选出短文本序列,对比模型Word2Vec、Doc2Vec和BERT的文本相似度计算结果筛选出复述程度更高的语句对,为了提高复述资源的可靠性,人工挑选1万句对复述语句,最终模型和人工挑选数据集总数为3万句对。为了增加语料库的数据量以及语料复杂程度、减少实体词在文本复述生成中对句义的影响,采用同义词文本增强来增加语料库的数据量。同时融合LEBRT和CRF来对模型进行命名实体识别,将语句中识别出的实体通过标签约束,使得模型在后续文本生成任务中对实体信息不做更改。（2）基于词语的文本复述生成基于词语的文本复述生成是在原有语句的基础上,对语句中宾语、名词、形容词等词语结构中挖空成槽,通过词语相似度计算来挑选出最优结果进行替换。为了保证原有语句结构不被破坏,结合依存句法识别出句子中的语法结构,确保对替换的词语不会破坏语句的语义和语法结构。（3）结合命名实体识别短句复述生成在原有文本编辑模型Laser Tagger模型的基础上融入命名实体识别,将LEBERT-CRF模型和Laser Tagger模型进行融合,加入命名实体识别标签NER,该标签使得文本中的实体信息在进行文本复述生成的过程中不被修改,减少实体信息的干扰。融合后的模型LEBERT-CRF-Laser Tagger在文本生成的效果相较于Laser Tagger有了一定的提升,同样经过数据增强后的数据集资源也对模型生成效果有了较好的改善。