伴随着大数据时代的到来,互联网上的文本信息每天以指数级增长,人们难以高效地获取海量文本中的重要信息,因此自动生成文本摘要成为当下的迫切需求。随着深度学习技术的发展及大规模数据集的出现,自动摘要技术取得显著进展,从抽取式方法逐渐过渡到生成式方法。抽取式摘要主要通过抽取文本中的重要句子形成摘要。生成式摘要则基于对文本的语义理解以生成尽可能简洁流畅且符合事实的,其生成方式往往更为灵活,通常可包含不在文本中的词语或片段,但生成式易出现生成不准确、关键信息缺失等影响摘要质量的突出问题。基于此,本文提出在摘要模型中融入文本的隐式主题信息,使其能生成尽可能覆盖原文主题的更高质量摘要。本文的主要研究工作如下:第一,现有模型大多采用文本的主题关键词或关键句来引导摘要模型生成符合主题的摘要,但现有技术往往无法完整地抽取出原文中的所有关键词,且抽取出的多个离散关键词并不能诠释文本中相关重要信息与主题之间的语义联系。同时,仅利用关键词也易导致忽视文本中更深层次的语义信息,尤其是隐式主题信息对摘要生成的引导作用。因此,本文提出通过变分自编码主题模型获取文本的隐式主题信息,进而将其融入到指针生成摘要模型的注意力机制中,改善摘要模型的解码输出结果,使模型能在全局隐式主题信息的指导下生成更符合主题语义的摘要。在中文单文本自动摘要公开数据集NLPCC上的实验结果验证了所提模型的可行性。第二,文本中往往蕴含了多个不同的子主题,且不同子主题的分布存在较大差异,另外文本中的每个词也与不同子主题具有不同的关联度,因此在摘要生成过程中若能区分利用不同词语相关的子主题信息,则有望进一步改善摘要的生成质量。鉴于此,本文提出引入隐式主题信息注意力机制以获取当前时间步摘要模型对所有子主题的注意力分布,从中选取出对当前生成最相关的子主题信息来引导摘要生成。与全局隐式主题信息相比,隐式主题信息注意力机制的优势在于可灵活获取并区分利用不同时间步的相关局部主题信息,具体将当前时间步的隐式主题信息上下文向量融入到词表概率分布中以获取最终的解码生成。此外,鉴于人工标准摘要往往具有较好的文本关键主题覆盖度,因此我们还提出了在模型的训练阶段引入标准摘要的主题信息,以此来加强对无关信息的过滤与筛选。在中文单文本摘要公开数据集NLPCC上的实验结果及分析验证了该方法的有效性。