自动文本摘要是自然语言处理领域的一个重要研究任务,其针对大规模长文本进行关键信息的压缩和抽取,在当今互联网信息爆炸增长的环境下有广泛的应用需求。随着人工智能技术的研究发展和硬件计算能力的提升,自动文本摘要系统从基于规则的方法发展到基于特征工程的方法再到近年来基于深度学习的方法。其中深度学习方法的表示学习能力,对大规模模型的支持,使得自动文本摘要技术发展到了新的阶段。然而,受文本语料获取难度的限制,现有工作多集中于新闻文本,在科学论文、社交媒体、对话会议等领域虽然有极强的文本摘要需求,却很难有效利用通过新闻文本获得的高性能文本摘要系统。因此,本文着眼于自动摘要系统在多领域文本的自适应和迁移问题,基于深度学习方法,探索如何获得具备多领域自适应能力和小样本迁移能力的自动文本摘要系统。具体地,本文以生成式文本摘要为主线,以预训练语言模型为基础模型,针对多领域文本的领域自适应和领域迁移两个核心问题研究了三种解决方法。第一,本文针对自动文本摘要系统的领域自适应能力不足的现状,提出了一种基于多任务学习的领域自适应文本摘要模型,利用预训练语言模型的领域泛化能力,通过对不同领域无标签数据的联合学习,达到扩大模型领域覆盖范围的目的,最终实现具备领域自适应性的文本摘要模型。第二,本文针对缺少无标签数据的领域,提出通过领域文本语义空间分布距离作为领域特征的领域特征挖掘方法,并将领域特征与预训练语言模型融合,使预训练语言模型获得了较好的领域迁移能力。第三,本文结合前两者,提出了基于元学习的模型无关自动文本摘要方法,通过无标签文本训练得到模型生成器,在采取小样本微调后生成针对特定目标领域的自动文本摘要模型。实验证明,本文提出的三种模型或方法可以提高生成式文本摘要系统在多个领域文本上的自动摘要性能,并且具备较强的领域自适应和迁移能力。本文提出的三种方法旨在解决自动文本摘要系统在多领域文本的适应和迁移能力,针对无标签文本多标注文本少、无标签文本少标注文本少等不同情况,结合文本摘要系统的特性和预训练语言模型的泛化能力,本文提出的多任务学习方法、领域特征抽取及融合方法和元学习方法取得了显著的效果,同时也为未来自动文本摘要系统在多领域文本的研究提供了新的思路。