在这个信息爆炸的时代,自动文本摘要技术为人们提供了一种简便快捷的阅读方式,也使其成为当今研究热点之一。目前的文本摘要方法大多都基于Seq2Seq和Transformer两种深度学习框架,其较传统的方法有很大的改进,但仍存在两点不足:(1)对于Seq2Seq模型,其生成的摘要总是丢失一些能表述原文主要内容的关键信息,同时解码时还倾向于生成相同的词而导致重复;(2)对于Transformer模型,其编码方式过于单一,存在语义编码不完整问题。针对上述问题,提出相应方法:针对问题一,本文提出基于特征提取器和语义增强器的摘要方法。该方法先借助特征提取器分析原文的关键特征,以过滤噪声并实现更精准编码。再应用语义增强器获取原文内部语义依赖关系,提高语义相关性并减少重复。实验结果表明,其模型性能有较大幅度的提高,而且其生成的摘要具有较高的连贯性和可读性。针对问题二,本文提出了多注意力融合的摘要方法。在注意力关注范围上,进行了全局注意力机制和局部注意力机制的融合,实现了多关注焦点的结合,丰富了编码内容。在注意力实施粒度上,进行了词级注意力机制和句子级注意力机制的融合,实现了对句子整体的建模,提高了编码完整性。实验结果表明,该模型生成的摘要内容更丰富、全面。最后,设计并实现了基于深度学习的文本摘要生成系统。该系统可以依据输入的文章或文件进行摘要生成,并且支持特征提取和语义增强融合及多注意力融合两种摘要生成方式。