互联网的普及方便了信息的流通,也让每个人面临海量信息而力不能支,解决信息过载,加快获取文本数据中的关键信息,已成为大数据时代的迫切需求。摘要是文本内容的精髓缩影,可以提高用户阅读理解效率,由此自动文本摘要技术应运而生。伴随深度神经网络研究的兴起和发展,其强大的学习表征能力让抽象式文本摘要技术快速发展,尤其是基于深度学习的序列到序列模型框架脱颖而出。本文从序列到序列模型框架上入手研究,着眼于抽象式文本摘要的关键问题,探索生成更凝练流畅的摘要。针对传统序列到序列模型生成摘要过程中容易发生未登录词和重复的问题,论文提出了一种增强型混合编码模型,通过改进传统序列到序列的编码器部分,将双向LSTM结合卷积门控单元,更好的监视源文本的全局信息,减少生成摘要内容的重复。另外,将混合编码模型结合指针网络,利用指针网络可直接引用输入的源文本,解决未登录词的问题。针对传统序列到序列框架特征提取器本身存在的缺陷问题。论文提出了一种新的序列到序列的文本摘要方法FNP-TRF,该方法基于Transformer语言模型,其编码器和解码器的特征提取器采用纯自注意力机制构建,无需考虑输入输出序列的距离而完全依赖它们的全局依赖关系。另外,在Transformer的基础上加入相对位置编码和N-Stream Self-Attention机制,并修改解码器中的掩码方式,解决Transformer缺乏方向性的问题,并让模型能够以高效的方式在训练过程中完成每时刻同时预测未来的N个字符,加强模型的学习和表征能力。将提出的方法在中文数据集LCSTS和英文摘要数据集CNN/Daily Mail上进行实验,实验结果验证了模型的有效性。