随着智能化社会的发展,人们在日常生活中接触各类新闻的方式也已经逐渐从报纸、杂志等传统媒介转变为各种的智能终端媒介,其中智能手机上的各种应用软件便是人们赖以获取信息的重要工具之一。然而对于需要获取特定领域新闻信息的人而言,只有一部分互联网新闻内容符合他们的需求。通过新闻的摘要可以帮助人们实现快速筛选新闻内容的目的,以降低人们获取新闻时的时间成本。新闻内容文本的准确性又会对摘要的质量产生直接影响。本文在基于现有的理论对该问题进行了扩展和延伸探究。所做的工作有以下几点:第一,深入研究了中文文本的校对技术,并将其融合应用于文本摘要生成的预处理过程中。综合研究了字词错误和语义错误的文本校对技术,运用Spell GCN拼写检查方法发现中文文本的字词错误,从大量训练语料中提取多项特征,研究了支持向量机（SVM）分类器与Spell GCN模型融合技术。并结合Uni LM模型以校正中文文本的语义错误,在提取句子语义基础上,通过文本生成的方式重构句子。实验验证了中文文本校对方法的有效性。第二,研究了深度学习模型在互联网新闻摘要自动生成中的应用。设计了基于N-gram模型和语义向量的过滤方法,采用束搜索算法对输出进行扩展已产生候选集,并根据所设计的过滤算法从候选集中选择最佳候选作为输出。实验结果表明了改进策略对模型结果的性能有明显的提升。第三,设计并实现了面向互联网新闻的摘要自动生成系统。整个系统由客户端和服务端构成,其中客户端为搭载在Android智能手机上的应用程序,实现对用户所输入的新闻内容生成对应摘要的功能。服务器端则是部署在服务机上的神经网络模型和相应的功能接口。本文给出了所采用到的各个算法过程和系统实现的关键部分,并通过实验验证了算法的有效性和系统的可用性。