多文档摘要是自然语言理解领域的一个重要课题。它的目的是从内容相似的文档集合中抽取重要信息并生成信息丰富、语言简洁的摘要,从而提供一个快速浏览、获取和使用信息的手段。本文主要研究基于子主题的中文多文档摘要技术,即将多个文档的内容按照信息的相似程度划分为多个子主题,再从各个子主题中按照一定规则抽取重要句子,去除冗余信息进而生成摘要。该方法涉及到两个重要的子任务：子主题划分、从子主题中抽取句子。针对子主题划分的任务,本文采用聚类方法将内容相似的信息聚集到一个子主题中。涉及到三个子任务：文档信息如何表示、相似性如何计算、聚类方法如何选择。为此本文研究了怎样提取文章的主要信息并且加以表示,其中包括关键的两个步骤：词语的相似度计算和用PPM工去除与主题无关的词语；我们采用两种相似度计算方法：传统的基于VSM的统计方法和基于最短段落的语义相似度计算方法,来衡量两个段落之间的相似度；采用改进的K均值聚类方法和层次聚类方法以比较聚类的准确性。针对句子抽取的任务,我们认为从子主题中选择句子有两个要求：1、句子本身很重要；2、句子包含的冗余信息要小,每选择一个句子可以带来最大的信息增益。为此我们综合考虑了句子的位置特征、句子的长度特征和词汇信息特征,并按照一定的比例加权,得出的总体权值作为判断句子重要性的依据。词汇主要指子主题的主题词。本文试验了通过tfidf-pos方法、基于假设检验方法来抽取主题词,采用两种方法的综合作为最后的输出。针对句子抽取任务的两个要求,本文对句子的选择分两个阶段完成,第1阶段在每个子主题内,把句子按照综合权值降序排序,然后从中选出一定比例的句子,目的是使得挑选出的句子能很好的覆盖子主题的中心内容且冗余信息少。第2阶段逐步删除句子集合中对该集合新信息贡献最小的句子,直到剩余的句子长度之和达到目标文摘长度。能使得挑选出的句子含有最大限度的不同的词语,带来最大的信息增益。