随着互联网新闻资讯数量的急剧增长,用户常常会面临巨大的阅读障碍,难以及时且准确地知悉新闻资讯的主要内容。在此背景下,为了满足用户快速获取新闻概要的需求,对大规模新闻资讯进行智能化概述,开展文本自动摘要技术的研究尤为必要。本文以大规模新闻数据集为研究语料,以增强生成摘要包含的主题语义信息为主线,分别开展了抽取式自动摘要、生成式自动摘要以及生成式模型训练优化等方面的改进研究工作,最终采用“先抽取,再生成”的联合式的方法,构建文本自动摘要模型,本文主要研究工作如下:（1）融合主题特征的抽取式自动摘要方法研究。为了抽取更能反映文本主旨信息的摘要句,首先利用LDA主题模型对文本主题特征进行挖掘,定义了主题重要度以衡量主题特征对句子重要度的影响,然后结合句间相似度和统计特征改进了Text Rank算法中图结构模型边权重的度量方式,提出了融合主题特征后多维度特征度量的文本自动摘要算法MDSR（Muti-Dimension Summarization Rank）,最终实现源文本的语义压缩,为后续生成式模型提供了表义能力更强的输入文本。实验结果显示,提出的MDSR算法可以有效提高摘要抽取的质量。（2）基于多维度注意力机制的生成式自动摘要方法研究。为了加强Seq2Seq模型在解码过程中对源文本主题信息和语义结构的关注,在综合考虑主题特征、源文本层次结构以及解码器已输出词项信息的基础上,构建了融合主题语义信息的多维度注意力机制;采用“先抽取,再生成”的联合式的方法,将抽取式方法所得到的源文本语义压缩结果作为生成式模型输入,并采用Bert模型进行词语的向量化表示,最终构建了基于多维度注意力机制的生成式文本自动摘要模型EDM-MDAM（Encoder-Decoder Model with Muti-Dimension Attention Mechanism）。实验结果显示,构建的EDM-MDAM模型可以有效提升生成摘要的评测结果。（3）基于语义相关性损失函数的生成式模型训练优化。为了增强生成摘要和源文本之间的语义关联程度,分别从主题分布相关性和语义向量相关性的角度,对传统生成式模型损失函数的定义方式进行了改进优化,最终设计了基于语义相关性的损失函数,使模型训练更导向于对源文本进行整体的语义理解。实验结果显示,改进优化后的损失函数对模型训练具有积极的影响。