在生物医学领域,由于电子病历、临床记录、生物医学文献等资源不断飞速增长,信息过载问题变得尤为严重,人们难以从海量文本资源中高效、准确地获取有效信息。文本摘要技术旨在从大量的文本数据中自动提取关键信息,可在一定程度上缓解生物医学领域信息过载的压力。然而,生物医学文本往往包含大量专业术语,现有的文本摘要模型难以充分挖掘并理解专业术语中包含的语义信息,生成的摘要往往存在关键信息遗漏、覆盖不全面等缺陷。针对以上问题,本文提出利用生物医学背景知识对文本摘要模型进行知识增强,以提高模型在生物医学文本上的摘要生成质量,本文的主要研究工作如下:第一,为了将生物医学领域背景知识有效地融入到抽取式文本摘要模型中,本文提出模型BioBERTSum-meta,该模型通过提取出文本中的专业术语及其概念对文本摘要模型进行知识增强,以提高模型在生物医学文本上的效果。具体而言,该模型首先建立文本与生物医学领域超级叙词表之间的映射关系,以此来获取文本中包含的专业术语及相关概念作为背景知识。然后将上述知识以术语概念对的形式融入到模型编码器中,帮助模型更好地理解领域文本的特定语义信息。此外,考虑到句子位置信息对抽取式文本摘要模型的重要作用,本文将位置信息编码为位置向量,来帮助模型学习文本的结构特征。本文在三个生物医学领域的数据集上进行实验,实验结果验证了提出模型的可行性和有效性。第二,鉴于抽取式文本摘要结果往往存在冗余度较高,且不符合人类写摘要的思维习惯等特点,本文提出了生物医学领域核心内容感知的生成式文本摘要模型PG-meta。首先,为帮助文本摘要模型聚焦于文本关键信息,缓解冗余知识可能对文本摘要模型造成的消极影响,本文通过抽取式文本摘要技术获取文本核心内容,再映射到生物医学领域超级叙词表中以获取全局关键的术语概念对。其次,本文利用注意力机制来为全局关键的术语概念对分配权重,引导模型生成摘要时更聚焦于文本中的核心生物医学背景知识,从而提高文本摘要模型的效果。实验结果表明,在生物医学领域数据集上,PG-meta模型能够更好地捕获生物医学文本关键信息,生成更优质的摘要结果。