大数据时代的到来,人们对网络的依赖程度与日递增。由于网络信息十分繁杂,人们需要从大量信息中提取出关键信息。网页信息篇幅较长,且关键信息分布不均,完整浏览网页内容耗时严重。在检测流程中,研究人员查找检测数据,需要翻阅大量文献,检测标准均匀分布在各个章节中,需要翻阅多篇才能抽取汇总。目前模型较多处理新闻类等短文本数据集,该类总结语句比较明显。对于在原文中主题信息分布均匀,且篇幅较长的文本内容,获取的摘要信息常常有以下问题:较难提取位置靠后的关键信息,生成信息与原文不符,语句中重复单词较多,未登录词出现频率较高。本论文的目的是提高从均匀分布的文本信息中生成的摘要质量,并开发原型系统。我们提出了一种新的结合生成式和抽取式的算法模型,对摘要生成算法进行改进,我们的主要创新点为:1.分别提出基于预训练模型在抽取式和生成式两种算法上的改进,使得其对全局信息记忆增强。2.结合两种算法上的优势,提出了一种新的联合模型,使得其对分布均匀的文章信息,生成的摘要更符合原文题意,并且重复率降低。为了让模型更好处理分布较为均匀的原文信息,本文提出了新的抽取式算法模型和生成式算法模型,以及抽取式和生成式两种算法联合的摘要生成模型,在多个数据集上进行了对比试验,并且构建了小型分布均匀的私有数据集。在多项对比实验中,评价指标最高提升了1.8个百分点,证明了方法的有效性,并且搭建摘要自动生成原型系统进行结果展示。