随着互联网社交媒体中用户创建内容的增多,网络中可用的电子文档数量和大小已经变得十分巨大。在这种情况下,为了分析大量生成的数据,需要自然语言处理(NLP)应用程序。自动文本摘要(ATS)在NLP领域是一项日益增长并具有挑战性的任务,其目标是在保留原始文档中存在的主要思想的同时,产生大型文档的简化版本。传统的自动文本摘要方法多数基于监督学习方法,需要大量的人工标注数据。同时高维数据和稀疏数据的表示会使得语义信息难以捕获。针对这些问题,本文探究了基于无监督集成学习的抽取式文本摘要方法,在自动文本摘要任务中设计并实现了一种基于无监督深度神经网络与Word Embedding方法集成来提高自动文本摘要质量的方法。1)首先,本文采用的是Word2Vec词嵌入模型,相比与传统的词袋模型(BOW)表示,它能将高维数据转化为低维空间的矢量表示。与此同时它是一种更具表现力的表示形式,产生的向量具有上下文的语义相关性。2)本文结合Word2Vec和TF-IDF系数改进Sentence2Vec句向量表示方法。3)其次,本文提出了自适应K值的文本摘要抽取算法,通过自动确定文本摘要中心摘要数量K来提高聚类算法准确度,进一步提高抽取式文本的准确度。4)对于缺乏大量标注数据的情况,无监督的方法更为适用,本文中采用的无监督模型是自动编码器(AE),变分自编码器(VAE)和极限学习机编码器(ELM-AE)。通过三种无监督特征学习方法的组合,探索句子相似度,提高自动文本摘要质量。在相关数据集上采用了 ROUGE评价指标对结果进行了评估和对比。此外,本文设计并实现了文本信息提取系统。并将系统中的核心功能与已有方法做了一定的对比。实验表明,该系统相比于一些已有方法和开源系统具有较好的实际应用价值。