随着互联网信息的指数级增长,互联网文本正变得更为多样。在这当中,篇章级文本在篇幅和数量上的显著增长为互联网信息地利用带来了新的挑战。作为一种有效的信息抽取技术,文本摘要可以从篇章级文本中准确地提炼出重要信息,从而大幅提升对互联网篇章信息的利用率。然而,篇章级文本除了篇幅较大外,其结构也远远要比单个句子复杂。而且,其结构往往与文本中信息的重要性有着非常密切的联系。如何有效利用文本中的结构信息,对文本中的重要信息进行识别与表示,是文本摘要任务面临的一大挑战。此外,文本摘要的另一个挑战在于,如何基于文本的重要信息表示,准确、简洁地进行摘要生成。在本文中,对于这两大挑战进行了针对性地研究。具体来说,本文的贡献主要包括以下三点:1、本文提出了一种基于图的文本表示方法。该方法可以充分利用原文的结构信息,实现对文本重要信息的识别与表示。此外,通过与自注意力模型的对比,本文还从理论上论证了这种方式的有效性;2、本文向生成式摘要模型中引入了一个重要句抽取器。通过该抽取器,模型可以有效地选择出原文中的重要信息,以用于最终的摘要生成;3、本文提出了一种基于图的联合生成式文本摘要模型。在训练时,模型将抽取式摘要与生成式摘要视作不同的任务,采用了类似于多任务学习的训练方式;在生成时,该模型则可以集抽取式摘要与生成式摘要之所长,以一种联合的方式进行摘要生成。最后,本文在CNN/Daily Mail数据集上进行了实验。实验结果证明,基于图的联合生成式摘要模型可以被有效地用于摘要生成。通过定量实验与定性分析,本文从多个角度充分地验证了该模型的有效性。