近年来,随着互联网的发展,信息冗余成为制约人们快速了解最新信息的主要问题。新闻文本摘要生成已经成为人们实现快速阅读必不可少的技术措施。融合更多特征信息以生成更准确、更具有可读性的文本摘要是现在摘要生成研究的主流方向。针对现有关键词提取方法和摘要生成方法在中文新闻文本方面的不足,同时结合中文新闻文本长度较短,信息高度浓缩的特点,根据文本摘要的研究现状,本文进行了融合关键词的中文新闻文本摘要生成方法的研究工作。主要完成了以下研究工作:（1）提出融合LSTM和LDA差异的新闻文本关键词抽取方法。针对传统的Text Rank算法没有考虑语义信息的影响,同时考虑到新闻标题信息高度浓缩以及关键词应该同时具有覆盖性与差异性的特点,提出一种融合LSTM和LDA差异的关键词抽取方法。首先对新闻文本进行预处理,得到候选关键词;其次通过LDA主题模型得到候选关键词的主题差异影响度;然后结合LSTM模型和word2vec模型计算候选关键词与标题的语义相关性影响度;最后将候选关键词节点按照主题差异影响度和语义相关性影响度进行非均匀转移,得到最终的候选关键词排序,抽取关键词。该方法综合考虑了关键词的语义重要性、覆盖性以及差异性的不同属性。在搜狗新闻语料上的实验结果表明,该方法的关键词抽取结果相比于传统方法在准确率和召回率都有明显提升。（2）提出融合关键词的中文新闻文本摘要生成方法。针对现有基于seq2seq模型在生成摘要时容易出现语义无关的摘要词,同时结合新闻文本长度较短,信息高度浓缩的特点,我们强调了关键词信息在中文新闻摘要生成中的作用,提出一种融合关键词的中文新闻文本摘要生成方法。首先,将源文本词依次输入到Bi-LSTM模型中;其次,将得到的隐藏状态输入到滑动卷积神经网络,提取每个词与相邻词之间的局部特征;然后,利用关键词信息和门控单元对新闻文本信息进行过滤,去除冗余信息;最终,通过自注意力机制获得每个词的全局特征信息,编码得到具有层次性的局部结合全局的词特征表示,将编码得到的词特征表示输入到带有注意力机制的LSTM模型中解码得到摘要信息。该方法通过滑动卷积网络对新闻词的n-gram特征进行建模,在此基础上利用自注意力机制,获得具有层次性的局部结合全局的词特征表示。同时我们考虑了关键词在新闻摘要生成中的重要作用,利用门控单元去除冗余信息,以获得更精准的新闻文本信息。在搜狗新闻语料上的实验表明,本文提出的方法能够有效提高摘要生成质量,能够有效的提高ROUGE-1、ROUGE-2、ROUGE-L值。（3）构建中文新闻文本摘要生成的原型系统根据本文提出的融合LSTM和LDA差异的新闻文本关键词抽取方法以及融合关键词的中文新闻文本摘要生成方法,同时利用实验采集到的语料,设计搭建了融合关键词的中文新闻文本摘要生成原型系统。首先,我们介绍了搭建该系统所用到的工具和框架。其次,我们主要介绍了该系统实现的主要功能,同时详细阐述了该系统的设计过程。最终,我们对本文实现的新闻关键词提取以及新闻文本摘要生成的结果分别进行了展示。