随着新时代信息数据的爆炸式增长,人们正面临着信息超载这一不可避免且有挑战性的问题。如今基于机器学习的文本自动摘要技术,有助于人们能够快速?准确地从海量的文本数据中获取关键信息。已有的文本自动摘要技术需要大量有标注语料进行模型训练,而在一个文本领域中训练好的模型直接应用于新的文本领域时效果很差。而要使模型在新的文本领域取得良好效果,需要依赖新文本领域中大量有标注语料重新训练。本文的工作在于设计一种低语料依赖的文本自动摘要模型及相应训练方法,降低将模型应用到新文本领域时对数据集的依赖,提高文本自动摘要模型的在小数据集上训练的性能。本文设计了基于门控循环单元神经网络的GRUseq2seq编码器-解码器自动摘要优化模型,并结合了指针机制与覆盖机制对模型进行了优化。本文使用门控循环单元替代seq2seq编码器-解码器中常用的循环神经网络单元或长短时记忆网络单元,在保证框架的编码解码能力的同时显著减少了网络需要训练的参数量,节省了计算资源。本文针对在生成式摘要中经常产生的超出词表问题和重复生成问题,借鉴使用了机器翻译领域中提出的指针机制和覆盖机制减少了超出词表和重复生成问题的产生,使模型生成自动摘要的质量达到了先进水平。本文使用迁移学习中基于模型的迁移学习方法进行改良,针对包含注意力的GRUseq2seq编码器-解码器自动摘要模型的特点采用了差异性微调?倾斜三角学习率?连接池化?逐层解冻等方法,应用于预训练模型在缺乏标注语料领域上的训练,使得自动摘要模型在缺乏领域标注语料的情况下也能获得较高质量的摘要,有效降低了训练文本自动摘要模型对标注数据的依赖量,提高了文本自动摘要模型的在缺乏大量标注数据的情况下完成摘要任务的能力。