最近,对于纯文本数据的文本摘要技术已经取得了巨大的突破,但仍然存在对结构化信息忽略的问题。有相当部分的数据是带有结构化信息的文本,在某些领域,合理地利用结构化信息对于改进文本摘要的质量至关重要。为此,本学位论文在两个领域探讨融合结构化信息以改进文本摘要的效果,包括:面向推文的实时事件摘要中提高摘要完整性和基于抽象语法树提高代码摘要质量。首先研究了面向推文的实时事件摘要问题。推特文本中包含了时间信息,可以有效地帮助面向推文的实时事件摘要系统在更新的过程中保证摘要的准确性和一致性。例如,地震发生后不同时间段的死亡和受伤人数可能存在不准确或不一致,本文提出基于完整性的实时事件摘要系统在摘要更新的过程中始终保持摘要的准确性,消除不一致信息。为此,本文设计了一个显式的不一致检测模块以删除不一致信息,并将抽取式与生成式摘要方法融合成一个统一的框架,提出一个基于完整性感知的抽取-生成式实时事件摘要系统（Integrity-Aware Extractive-Abstractive Realtime Event Sum-marization,简称IAEA）。在每次更新中,首先在抽取器中抽取重要的新推文,然后通过显式检测新推文与先前推文之间的不一致来调整句子级别的注意力分数,随后由生成器来生成单词级别的注意力分数并使用对应的句子级别注意力分数对其进行微调。通过实验证明,与最新方法相比,IAEA方法可以生成具有一致信息的且质量高的摘要。其次研究了代码摘要,相对于纯文本,编程语言由于具有严格的语法规范,其结构化信息（如抽象语法树）可以有效地帮助生成简洁而准确的摘要。然而,一段代码的抽象语法树往往树的深度非常大,因此存在着训练困难的问题。针对该问题,在本文中提出逐块拆分抽象语法树（Block-wise Abstract Syntax Tree Splitting,简称BASTS）方法,基于控制流程图对应的支配树中的块来拆分方法的代码,并为每个拆分的代码生成对应的抽象语法树。然后,使用预训练策略对每个拆分后的抽象语法树采用Tree-LSTM进行建模,以捕获局部非线性语法编码。最后,将学习到的抽象语法树对应的语法编码与代码序列对应的编码结合在一起,输入到Transformer中以生成高质量的代码摘要。在公开数据集上进行实验,结果表明,在各项评估指标中,BASTS方法均明显优于最新代码摘要方法。