自动文摘作为自然语言处理领域的一个重要研究方向,其能够从海量数据中快速筛选出有效信息而得到了广泛的应用。传统的自动文摘研究方法主要集中于探究如何构建模型来优化文本的语义表示,而忽略了篇章信息对于文摘任务的影响。文本不是简单堆叠而成的文字序列,而是相互关联的语义单元衔接而成。为了充分利用文本的篇章结构特征,本文开展了结合篇章信息的生成式摘要研究,主要内容可分为如下三个方面:首先,针对浅层篇章结构对摘要生成的影响,本文提出了一种基于浅层篇章信息的生成式摘要方法,该方法在循环神经网络的基础上添加了图卷积神经网络对文本进行编码,并依据语言学常识去构建句子序列的图结构矩阵,以获取更具篇章结构信息的语义表示。此外,在该方法中使用了一种融合层,旨在使模型在解码时依旧能够关注于循环神经网络获取的线性语义特征。在解码器上还使用了多头注意力机制,以提高生成摘要的质量。实验结果显示,该方法与一些主流的生成式摘要模型相比,所生成的摘要在ROUGE评测的各项指标上均有显著提升。其次,基于篇章修辞结构对于摘要生成的影响,本文提出了一种基于篇章修辞结构的生成式摘要方法,该方法首先使用连接词识别工具快速锁定文本中存在的语义连接词,继而依据篇章修辞结构理论对连接词两端的子句进行关系判别,然后在编码端使用图卷积网络,在构建其邻接矩阵时将相应的篇章关系特征融入到模型中。实验结果显示,该方法能够较好地将篇章关系信息融入到文本编码表征中,并大幅度提升了系统的性能,提高了生成摘要的质量。最后,针对篇章修辞结构在文本中缺失的问题,本文提出了一种基于篇章结构解析的生成式摘要方法,该方法将篇章关系解析和文本摘要这两个任务联合在一起训练学习。针对缺乏篇章和文摘一体的语料库这一问题,该方法在文摘数据集上使用了篇章解析工具,以获取每一个文本样例的篇章结构树,进而提取出关系对和核性等特征作为篇章关系解析任务的输出标准。首先,对文本进行语义单元划分,利用篇章关系解析模型预测出关系分类;然后,将预测出的篇章关系信息融入文本摘要模型中,以辅助摘要的生成。实验结果显示,该方法所预测出的篇章关系有着可观的准确率,并且生成的摘要具有很高的概括性和可读性。