随着互联网上信息量的快速增长,人们对信息检索效率的要求越来越高。如何从互联网上高效的获取信息成为一个重要的问题。搜索引擎是检索信息和收集互联网数据最为有效的工具,但是搜索引擎返回的结果仍然包含着诸多的干扰信息和冗余信息,需要进行进一步的分析和归纳才能掌握搜索引擎返回的重点。而面向问题的文本摘要可以解决这个问题,面向问题的文本摘要旨在基于给定的问题从文档中返回一段含有文档中重要信息的简短的文字,配合搜索引擎使用可以极大地提高信息检索效率。本文主要研究课题为面向问题的多文档文本摘要。分别从模型、数据、应用三个方面进行了研究,提出了基于图神经网络的面向问题的多文档文本摘要模型,探索了面向问题的文本摘要的弱监督方法,构建了基于搜索引擎的开放域的信息检索系统并应用到不同场景中。在模型方面,本文引入了异构图神经网络,利用图网络中信息的传递,有效地实现句子之间信息的交互。在QBSUM数据集上的实验表明,本文提出的基于图神经网络的面向问题的多文档文本摘要模型取得了较好的效果。在数据方面,本文探索了面向问题的文本摘要的弱监督方法,分析了面向问题的文本摘要面临的数据短缺问题。依据任务的相似性,分别利用阅读理解中的片段抽取任务和普通摘要任务获得面向问题的文本摘要的弱监督信号,构建了多个数据集。我们在弱监督数据集上进行训练,在QBSUM测试集上进行测试,实验结果表明,本文采用的不同的弱监督方法均取得了不错的的效果。在应用方面,本文搭建了基于面向问题文摘的开放域的信息检索系统。利用面向问题的文本摘要模型,在搜索引擎返回结果的基础上,结合篇章检索模块、段落排序模块,搭建开放域的信息检索系统。系统接受用户输入的问题,利用搜索引擎搜索相关网页,处理后返回精简的结果,提高信息检索的效率。在开放域的信息检索系统的基础上,我们结合不同的功能模块开发了调研报告生成系统、谣言分析系统,并在云服务器上进行了部署。