句子压缩是将长而含有冗余信息的句子压缩成简短的语义表达的任务,简化文本结构,保留重要的含义和信息。随着互联网时代的发展,句子压缩成为越来越重要的任务之一。句子压缩技术大大减少互联网上的信息过载,尤其在屏幕空间有限的移动设备上应用广泛。但同样,句子压缩任务也面临着不小的挑战。当前的主流算法中,基于神经网络的压缩算法缺乏外部信息指导,并且对语句中跳跃性的长距离信息难以捕获;而使用基于规则的句法解析方式获得摘要结果会不可避免的产生解析错误。因此,对句子压缩任务进行研究具有重要价值。本文对句子压缩任务的基本模型与技术进行研究探索,对句子压缩任务的研究现状和存在问题进行了分析。本文以抽取式句子压缩为主要研究对象,从引入外部句法信息、进行辅助预训练等方面进行研究,主要工作如下:(1)针对神经网络缺乏外部信息指导的问题,本文利用句法依赖信息,实现了结合句法图卷积网络和序列到序列模型的抽取式摘要,并提出了平行化的新结构,该模型结合了两者的优点,实现了互补的效果。另外,为了减少句法图卷积网络中解析树的错误传播,本文模型在训练中动态调整依赖弧,优化了图卷积网络的构建过程。最后,针对数据集中存在的分类不平衡的问题,本文通过对压缩阈值进行调整实现了更佳的实验效果。实验表明,结合句法图卷积网络的模型在谷歌句子压缩数据集表现出色。(2)针对目标数据集规模较小的问题,本文提出了一种基于编解码器的迁移学习方法,不需要额外的资源,使用生成式句子压缩作.为预训练任务,结合了抽取和生成两种压缩方式的优势。该两阶段的训练方法在预训练任务和目标任务间共享特征表示和部分模型参数,提升模型对潜在特征提取的能力。同时,本文制定了新的微调方案,在两阶段的训练过程中对编解码器采用不同的优化器,避免两者之间训练周期的不匹配。实验表明,两阶段的训练方式使抽取式任务效果进一步提升。