在社交网络时代,数据挖掘在信息检索和自然语言处理方面的迅速发展使得自动文本摘要任务成为必要,如何有效地处理和利用文本资源成为研究热点。文本摘要任务旨在将文本转换为包含关键信息的简短摘要。现如今的自动文本摘要方法主要分为抽取式模型和生成式模型。尽管这些模型已经具有较强的编码能力,但是仍然未能解决长文本依赖和语义不准确的问题。因此,本文做了深入研究旨在进一步解决生成摘要与源文本事实不符的一大问题。主要研究工作如下:（1）研究基于主题嵌入的自动文本摘要方法。该部分研究旨在通过主题建模获得文本的主题编码信息,进而指导文本的生成方向。但是基于词同现的主题建模并不能很好地解决文本中信息与词汇有限的问题。故本文基于神经主题模型,提出一种基于BERT的主题感知文本摘要模型。该方法利用神经主题模型编码的潜在主题嵌入表示与BERT的嵌入表示相匹配,引导主题生成以满足文本语义表征的要求,通过transformer架构以端到端的方式共同探索主题推理和摘要生成,由自注意力机制建模长距离依赖的同时捕捉语义特征。在此基础上,建立的两阶段抽取-生成模型,能够实现信息和优势共享。实验结果取得了高于基线模型的ROUGE得分,表明了主题表示对语义表征的重要性并且证实了该方法的有效性。（2）研究带有知识增强的抽象文本摘要方法。该部分研究内容针对生成摘要存在虚假信息与源文本事实不符的问题,旨在生成既保留原文主题信息,也注重生成事实一致性的文本。故本文提出了一种基于BERT的知识增强文本摘要模型,引入知识图谱获得额外的结构化知识,使用文档编码器和知识图编码器驱动模型在获取上下文特征时和结构化信息相互补充。同时提出子主题概念对段落单独编码以便解码器集成选择文档级知识。此外,在训练阶段利用FCM算法注入评论性语句,加强模型的生成能力。通过自动评估和人工评估,在CNN/Daily Mail和XSum数据集上的实验证明了模型有能力捕捉到原文主题和正确的信息,提高摘要的事实准确性。