随着计算能力的迅速提升和人工智能技术的飞速发展,自然语言处理(NLP)作为其重要的研究领域,具有很高的研究价值和广阔的应用场景,并已经成为了备受瞩目的研究课题。本文旨在利用深度神经网络技术,通过对长文本外语到目标语言的翻译,然后对长文本关键内容的智能化摘取,从而实现提取外语的关键部分,达到快速阅读不同语言文章核心内容,获取关键信息的目的。本文的研究目的是基于深度学习的跨语种文本摘要系统的设计和实现,通过将机器翻译和文本摘要进行了技术创新结合,并对深度神经网络架构进行修改,针对翻译精度和摘要精度提升,所做的主要工作如下:(1)参照BERT模型,引入预训练模型,在进入机器翻译模块和文本摘要模块之前,提前对语料进行训练,使得提升输出结果的精度;(2)在机器翻译模块中利用Transformer模型,并将其中的Self-Attention修改为Adaptive-Attention,使得模型能够自动修改关注范围;(3)在文本摘要模块中参照HSSAS模型做关键信息提取,将其中Bi-LSTM框架修改为网络结构更加简单,效果也不相上下的Bi-GRU。利用机器翻译技术对目标文本进行精准的翻译,然后利用文本摘要技术对文本的核心内容进行提取,缩短文本内容。输入的是源语种长语料,输出的是目标语种的短语料。最后,通过设计模型优化前后的对比实验,测试了预训练模型的优化效果;对比并分析了机器翻译模型中不同Attention架构,探索No-Attention、Attention、Self-Attention、Adaptive-Attention对于实验结果的区别;比较了文本摘要模型中Bi-LSTM结构和Bi-GRU结构,研究替换后的模型的优化效果。本系统通过预训练模块对大量的中英平行语料进行训练,使得模型的准确率能够得到保障,能够准确地进行英文到中文的翻译,然后再采用抽取式文本摘要技术获取翻译内容的重点信息,达到能够比较精准地提取出文章的核心内容。从而实现了系统的初衷-跨语种文本摘要。