Web2.0时代到来后,大数据时代接踵而至,微博等社交媒体越来越受到社会和研究者们的高度关注,面向微博应用的相关任务以及评测也在逐年增加。文本自动摘要主要是通过计算机自动提取文本的关键信息,生成反映文本中心主旨的短文,能够方便压缩文本内容、加快信息交流速度、提升信息检索效率。因此,本文的主要研究工作是面向微博应用的新闻文本自动摘要研究,通过文本自动摘要技术,微博用户可以实现对所关注新闻进行快速缩减然后转发,能够很大程度减少微博用户人工编辑新闻字数再进行转发所耗费的时间,具有很高的实用价值。在深入学习了目前文本自动摘要相关研究方法的基础上,本文提出了基于多层次特征和Ranking SVM(Support Vector Model)排序模型的面向微博应用的新闻文本自动摘要研究算法,具体研究工作如下:(1)多层次特征提取。深入挖掘新闻文本各个统计特征及语义特征即句子词频、句子位置、句子与标题相似度、句子长度、指示性词语等统计特征和主题句这一语义特征,全面分析不同特征的提取方法,积极探索基于新闻文本的表示模型,以更好地运用文本特征。(2)文本句子排序。本文首先预处理新闻文本训练数据中各个句子并将其处理成能够运用的形式,接着将其转换为dat文件作为输入,获得Ranking SVM训练模型,利用得到的模型对处理好的测试数据文本中的各个句子进行排序,最终得到句子由高到低的排序;后期使用冗余处理、通顺度处理、指代消解等相应的可读性加工原则,对排好序的句子进行处理,最终得到比较理想的低冗余度及相对通顺的摘要句集合。最后,本文将上述特征提取方法及句子排序算法在NLP&CC2015面向微博新闻自动摘要评测任务的数据集上做实验,实验结果的ROUGE-1值达到50%以上,具备可行性。