作为缓解信息过载问题的一种有效手段,自动文摘一直是自然语言处理领域中的研究热点。由于已有的神经网络方法尚不能有效地对长文本进行语义编码,目前主流的生成式自动文摘方法主要针对短文本,利用基于循环神经网络的编码器对输入文本进行编码,学习的信息主要是输入文本所反映的序列化信息,缺乏对文本包含的物理结构、语义结构等结构信息的有效利用。本文主要研究如何利用文本包含的结构信息来提高生成摘要的准确性,具体包含以下三个方面:首先,提出了一种融合文本物理结构信息的方法。文本的物理层次结构有助于更加准确地判断文本内不同结构单元的语义信息和重要程度。因此,本文提出了一个层次文本阅读器来根据文本的物理层次结构对文本进行编码,并提出了一种语义融合单元来对输入文本不同层次的语义信息进行融合,形成最终的文本表示提供给解码器生成摘要。实验结果表明,系统性能在ROUGE评价指标上有显著的提高。其次,提出了一种融合文本语义结构信息的方法。本文以BIO标签表示的命名实体为词级结构信息,以依存句法结构为句级结构信息,形成浅层语义结构信息来丰富编码器的语义特征,扩展传统基于编码器-解码器的文摘模型,以生成以核心实体为中心的摘要。实验结果表明,引入浅层语义结构信息能够提升模型性能。最后,本文探索了如何使自动文摘模型自适应地学习和利用文本隐含的结构信息,并提出了一种基于文本隐含结构的生成式自动文摘模型。该模型在编码器端引入文本自匹配机制来学习文本中每一个词与其它词之间的关系,作为每个词对应的结构信息融入到其语义表示中,并利用全局门控单元抽取出文本的核心内容。实验结果显示,该方法在ROUGE评价上有显著提高,这表明本文提出的模型能有效学习和利用文本隐含的结构信息,挖掘出原文本的核心内容。