通过计算机从中文文本中提炼摘要,可以帮助人们从海量数据中快速获取关键信息,提高阅读效率。目前,基于Seq2Seq模型的生成式摘要技术是中文信息处理的研究热点。本文基于LSTM构建了融合词性特征和注意力机制的Seq2Seq生成式摘要模型,同时,提出基于GPT预训练模型的中文摘要生成方法,改善摘要生成质量。在2017NLPCC会议公开的自动摘要任务数据集上进行验证分析,采用ROUGE评测摘要生成质量。本文主要工作如下:（1）设计实现了融合词性特征与注意力机制的BERT-Bi LSTM-LSTM中文自动摘要模型。基于循环神经网络（RNN）构建的Seq2Seq模型存在以下问题:1)RNN存在近距离梯度主导问题,导致对远距离文本记忆效果差;2)编码器输出维度固定的上下文向量,导致中间语义向量存储原文信息量有限;3)模型没有考虑到词性因素对生成摘要词汇的影响。针对以上问题,本文构建了融合词性特征和注意力机制的序列到序列模型,该模型运用BERT中文预训练模型构建词嵌入,编码器使用双层Bi-LSTM结构,解码器采用单向四层LSTM架构。通过实验证明,本文提出的融合模型改善了生成摘要质量,相比基线模型,本模型在F1值上提高了3.38。（2）提出了一种基于GPT预训练模型的中文摘要生成方法。循环神经网络是一种链式结构网络,无法并行计算。本文引入基于Transformer的GPT预训练模型,研究发现,GPT预训练模型具有泛性,模型微调对数据量以及算力设备要求低;但模型采用BPE编码,生成摘要中存在停用词和标点符号,导致摘要评估不合理。为此,本文构建融合词性特征的GPT微调模型,首先调整编码粒度到词级,其次,在输入中融合词性特征,最后对模型进行微调。通过对比实验,该模型比基线模型在F1值上提高了2.66。（3）将构建模型作为后台模型支撑,构建基于B/S架构的中文自动摘要系统,为用户提供界面体验中文摘要自动生成,同时,收集用户提交数据,为后期模型优化储备数据资源。