目前文本压缩是一门很有前景的技术,句子压缩又是文本压缩的核心部分,因此研究句子压缩是很有意义的。句子压缩技术在保留句中主题信息的基础上缩短句子的长度,便于读者获取其中最重要信息。现有句子压缩方法分为两类：基于规则的方法和基于统计的方法。然而已有的基于规则的方法大多只适用于英文句子的压缩,不能移植到中文句子压缩中；基于统计的方法又依赖于“原句-压缩句”的对齐语料库,中文的对齐语料库难以获得,也增大了研究的难度。本文通过研究人工压缩结果并结合语言学知识,提出了一个基于语言学的启发式规则算法,在该算法中将规则分为两组,词语层面的压缩规则和分句层面的压缩规则,每组规则再按照删除相关成分在句子中的影响从小到大排序。通过两组压缩规则修剪句法分析树中的次要成分,最终获得保留了句子重要信息的压缩句。为了满足用户获取最新最热信息的需求,提出了基于热度的压缩方法,用以提高句子的热度。基于热度的压缩方法在使用启发式规则的基础上,将词语热值加入到词语重要性的计算中,从而提高热词在句子中的重要程度。本文通过对规则赋予不同的权重来寻求最佳的压缩结果,并提出了使用模拟退火算法求得最佳权重的方法。实验结果表明,基于语言学的启发式规则算法与现有的基于规则算法相比,具有更好的压缩效果。基于热度的启发式中文句子压缩算法不仅提高压缩句的热度,也提高了整体算法的准确性。通过使用模拟退火算法求得每个规则对应的权重,在这组权重下对句子进行压缩,压缩效果更好。