在文本数据以指数级爆炸增长的时代,理解大型文档并从中获取有价值的信息具有重要意义。中文多文档摘要任务旨在从一个话题相关的中文文档聚类中生成连贯非冗余,在中文语法上具有可读性的摘要。而目前国内对于中文多文档摘要的研究相对较少,且没有公开的中文多文档摘要数据集可使用。目前中文多文档摘要任务的解决方案多为将多个文档处理为一个单文档进行摘要任务,或者以抽取式的方法进行摘要句排序选择。而这些方法都普遍存在无法有效检测显著文本信息、无法进行文档间文本语义关系推理的问题,以及生成式方法生成的摘要通常存在高冗余问题。因此,本文旨在通过构建一份中文多文档摘要数据集,在此数据集的基础上研究生成式中文多文档摘要方法如何有效提升显著文本信息检测能力、如何推理文档文本之间的语义关系以及在生成摘要时如何避免摘要冗余的问题。具体的研究思路分为两种:一是在基于编码器-解码器结构模型的基础上结合图注意力网络编码方法,通过这种显示的图结构数据编码操作帮助摘要模型去抓取源文档中的显著信息以及进行文本间的语义关系推理;二是在第一个研究思路的基础上,为了解决摘要生成时出现的冗余性问题以及辅助增强模型在源文档中识别显著文本信息的能力,引入了最大边界相关算法进行解码端的研究。最终经过实验分析,这两种方法在我们构建的中文多文档摘要测试集上相比以往一些表现优秀的摘要模型来说有明显的性能提升。此外,通过对生成摘要的对比分析,结合图神经网络的方法有效的提升了模型检测显著信息以及语义关系推理的能力,并且得益于最大边界相关算法的引入,有效的避免了中文摘要生成时的冗余性问题。