随着新浪微博、微信等社交媒体的崛起,互联网媒体及电子出版物代替了传统报纸等纸质出版物成为人们发布和获取信息的主要渠道。网络的飞速发展以及各种移动终端设备的流行促使网络电子文本信息的爆炸式增涨,如何从海量电子文本信息里快速汲取有效信息逐步成为研究热点问题,文本摘要自动生成技术正是解决这一问题的核心。文本摘要自动生成技术不仅仅可以提升获取信息的效率,更支撑了智能应答系统、网络舆论解析等上层应用的建设。目前该技术主要存在以下问题:（1）机器自动生成重复摘要词、语序杂乱、无法生成词表未登录词、训练模型在时模型退化;（2）在生成摘要的内容上,与原文的主题信息相关度不大;（3）机器生成的摘要词句不够多样丰富流畅。本文针对上述问题展开研究,主要工作如下:1)为了生成与原文主题信息相关度增强且与原文内容相关的文本摘要,本文提出了一个结合主题模型与seq2seq的基于双注意力机制的主题增强文本摘要生成模型（TA-TSG）。TA-TSG模型先采用双向长短期记忆网络（LSTM）单元作为编码器,接着通过Twitter LDA模型提取文本主题词分布并获取主题词汇表作为额外先验知识输入模型,使得输入的原文序列和生成的摘要序列同步主题信息,保证摘要内容相关性的同时增强主题相关。本文采用CNN/Daily Mail语料集进行实验,得出的结果表明,TA-TSG模型在自动评估指标上比其他基准模型有显著提升。2)TA-TSG模型在提高生成文摘词语准确率的同时增强了文摘主题信息相关,但摘要的内容方面缺乏多样性。针对该问题,本文将变分自编码引入自动文摘任务,本质是利用变分自编码器的特征可以更好地对文本潜在语义进行建模,构建了一个基于变分自编码文本摘要自动生成模型（VAE-TSG）。VAE-TSG模型分三部分:采用变分编码器编码输入原文及标准摘要;通过变分推理得到隐变量近似后验分布完成建模;融合CopyNet模型的变分解码器根据隐变量序列、上下文语义向量以及复制/生成网络函数生成目标摘要。使用CNN/Daily Mail数据集进行测试实验,得出的结果表明,VAE-TSG模型在基于一元组和二元组的多样性指标上有显著提升,并且可以有效解决未登录词问题。