近年来,互联网的快速发展给人们带来了海量信息的同时也带来了信息过载的问题。因此研究如何在海量信息中快速获得关键信息变得愈发重要,而自动文本摘要技术正是相关研究的重点领域。随着深度学习的发展,它在文本摘要领域的应用研究也是层出不穷,本文则是针对现有文本摘要模型的生成摘要中的语义表示不够准确以及关键信息不足等问题,在中文文本摘要任务上对自动文本摘要技术进行改进研究,主要的研究工作如下。针对上文所提到的自动文本摘要中的问题,本文以Seq2Seq加注意力机制模型为基础,设计了一种改进的文本摘要模型——基于BERT和融合关键词注意力机制的指针生成网络模型（BERT-Keywords Attention-Pointer Genrator Network,BERT-KA-PGN）。该模型将BERT预训练语言模型作为词嵌入层加入到网络中,加强对输入语句的上下文理解,从而获取语义表示更加丰富的向量信息。并且通过关键词抽取算法抽取文本的关键词,然后将关键词融入注意力机制中,让模型在生成摘要过程中更加关注文本中的主旨信息,从而使得生成摘要中包含更多的关键信息。模型同时也结合了带有指针网络和覆盖机制的指针生成网络模型的结构优势,用以解决文本摘要中的未登录词和重复值问题,从而提高本文模型的生成摘要质量。本文在NLPCC2017数据集和飞桨数据集上对模型进行对比实验,实验结果表明,指针生成网络模型与Seq2Seq加注意力机制模型相对比,在NLPCC2017数据集上,Rouge-1,Rouge-2和Rouge-L的分数分别提升至34.46%、19.42%、30.17%,在飞桨数据集上,相应的Rouge分数提升至37.52%、21.78%、32.34%,这说明了指针生成网络模型的结构优势;而BERT-KA-PGN模型与指针生成网络模型相对比,在NLPCC2017数据集上,相应的ROUGE分数分别提升至38.65%、22.43%、33.51%,在飞桨数据集上,相应的ROUGE分数分别提升至42.28%、23.89%、35.63%。综上可知,加入BERT和融合关键词注意力机制提升了自动文本摘要模型的摘要生成效果,这对于自动文本摘要的研究具有一定的参考价值。