随着5G时代的到来,网络上新闻、评论、文献等文本数据呈爆炸式增长,用户不得不花费大量的时间从文本中寻找自己所需要的信息,因此急需对这些海量文本进行有效的摘要提取。而利用计算机来进行文本自动摘要则是解决此问题的有效手段之一。摘要的本质是对文档语义的理解,所以本文围绕如何利用文档深层次语义特征来改善摘要质量展开研究,提出一种基于文档多维度特征融合的抽取式摘要方法。主要工作如下:(1)面对目前抽取式摘要研究多是利用一些启发式特征和浅层的语义特征问题,提出一种基于文档多维度语义的表征模型。句子在文档中的重要程度是和文档的语义息息相关的,而文档的语义在不同的维度上的表征是不同的。本文所提出的模型分别从文档的主题、细粒度以及上下文的关系来构建文档的语义表示。首先,利用LDA模型对文档进行主题分析并生成对应的主题词,并对其进行情感偏好分析,避免一些无实际意义的虚词对文档主题的干扰。然后,通过对文档不同细粒度的划分,利用CNN层来构建文档词语、句子与段落的语义表示,这可以有效的反映出文档的不同层级之间的层次性。最后通过Bi-LSTM层来构建句子在文档中的上下文关系特征,从而在不同的维度上对文档进行深层次的语义特征表示,为后续摘要的抽取做准备。(2)对于目前摘要生成的过程中把句子的打分和抽取分离为两部分来进行并且冗余性判断的方法过于单一的问题,提出一种基于冗余性控制的抽取式摘要模型。传统的去冗余的方法是直接对两个句子进行相似度的计算,如果相似度大于一个阈值则随机丢弃一个,这样可能会造成信息的损失以及摘要的不准确。本文提出的模型在冗余性、多样性的约束之下,对句子的打分和抽取同时进行,并对抽取出来的句子进行重要性的排序,使得生成的摘要在最大限度的保留文档语义的前提下尽可能的降低文档的冗余性。最后,本文选择LCSTS中文短文本数据集作为实验数据,使用Rouge-1、Rouge-2以及Rouge-L作为生成的摘要的质量评价标准对本文提出的方法进行评价,并与传统的Text Rank和RNN和基于主题的抽取方法进行比较。实验结果表明,本文所提出的基于文档多维度特征融合的抽取式摘要模型可以有效的对文档的语义进行深层次的表示且很好的控制文档的冗余性,从而验证了本文所提出的模型在抽取式自动摘要方面的有效性。