自动文摘研究是自然语言处理领域的研究热点之一,它能够有效地帮助人们从海量的互联网信息中快速筛选出有用信息。然而,传统的自动文摘研究大多集中在对文本语义信息的利用,而忽略了文本的结构信息对于摘要任务的作用,这一缺陷在中文自动文摘中尤为突出。相比于英文文本,中文文本具有更加复杂丰富的篇章结构信息,而篇章结构信息尤其是主次关系信息对于定位文档核心内容、总结文档核心思想具有举足轻重的作用。因此,本文开展了基于主次关系的中文文本摘要研究,具体的研究内容可以分为以下三个方面:首先,针对主次关系中的核心句往往是抽取式文摘的摘要句这一特点,本文提出了一种基于主次关系的抽取式文本摘要方法。该方法首先获得句子的主次关系的序列化信息,然后利用神经网络对句子信息和主次关系进行信息增强和语义编码,并根据编码结果获得句子的重要性,最后抽取文本摘要。实验结果表明,该方法与当前主流的抽取式摘要方法相比,在摘要的准确性、稳定性和ROUGE评价指标上均有显著的提高。其次,针对目前生成式文摘较少使用文本结构信息的问题,本文提出了一种基于主次关系的生成式文本摘要方法。该方法使用图卷积神经网络对主次结构信息进行编码,并和语义信息相融合作为文本表征,采用端到端的文本生成模型进行摘要生成。实验结果表明,该方法能够较好地融合语义信息和主次结构信息,大幅度提升了生成摘要的质量。最后,针对大部分文本缺失主次关系信息的问题,本文提出了一种基于联合学习的主次关系识别与文本摘要方法。该方法将摘要抽取作为主任务,主次关系识别作为辅助任务,二者联合学习的方式来提高摘要抽取的准确性。实验结果表明,该方法在文本缺失主次关系标记的情况下也能够有效地发挥主次关系信息对于摘要任务的指导作用,得到高质量的摘要。