随着互联网的快速发展,越来越多的应用场景和需求对文本摘要方法都提出了更高的要求,例如文献检索、临床记录、辅助诊断等。近年来自然语言处理技术逐渐成熟,基于Transformer的模型在文本摘要任务中被广泛使用。但是,Transformer模型对于输入长度是有限制的,过长的输入容易导致重要语义内容丢失。同时,预训练Transformer模型如何选择句子进行遮盖操作也是值得探讨的问题。此外,近几年针对对话场景下的文本摘要方法研究也逐渐得到关注。在医患对话这种特殊场景的文本摘要任务中,需要根据该场景的特点以及摘要的用途生成临床记录摘要,对医生快速了解病情以及帮助下游任务作辅助诊断具有重要意义。但由于医患对话摘要研究起步晚且数据涉及患者隐私,现有的医患对话数据集不足以支撑大规模的训练,标注数据稀缺的问题尤为突出。因此,本文针对上述问题展开了以下研究:（1）为了解决Transformer模型输入长度受限和如何选择句子进行遮盖的问题,本文提出了一种基于语义匹配间隙句生成的文本摘要方法。当遇到长度超过输入限制的文档时,独立截断可能会出现重要内容缺失的问题。因此,提出了滑动窗口指针生成网络模块来提取重要内容。该模块允许窗口之间语义信息交流,缩小文本长度的同时保留较全面的语义信息。在生成摘要时,本文认为:优质摘要的语义应该是最接近文档的,所以选择遮盖的句子组语义也应接近文档语义。因此,提出了语义匹配模块和间隙句生成模块。其中,前者选择语义匹配度高的候选句子组,后者将选择的句子在文档中作遮盖操作进行训练预测,从而学习到较全面的语义内容,以提升摘要质量。通过多个数据集的实验,验证了本文方法对改善长文本摘要质量的有效性。（2）为了解决医患对话摘要中标注数据集稀缺的问题,本文结合医患对话具有特定主题的特点,提出了一种基于主题结构的医患对话摘要自监督学习方法。首先,将医患对话主题结构分为症状、个人属性、用药、检查结果和过往病史,使得模型更加关注这些内容。其次,自监督学习方法基于原始对话和摘要两者对应诊断结果是相近的原则,构建了诊断结果抽取生成和诊断结果分类两个辅助任务,通过辅助任务的训练学习来提供内在的监督信号。在AMI、Med Dialog数据集的实验中,验证了本文方法的有效性。