在因互联网飞速发展导致的信息过载时代,自动文本摘要对于人们快速检索有效信息起着巨大的作用.文本摘要技术有抽取式摘要和生成式摘要两种,本文主要研究难度更大、生成摘要质量更好的生成式摘要技术.现有的生成式摘要是基于序列到序列结合注意力机制框架进行的,这种框架一般可以生成较短的质量尚可的摘要,但仍然存在着一些不足.比如,在生成较长的摘要时,生成的摘要容易出现单词或者短语的重复、有时会出现语法、语义不通顺等情况.针对这些问题,一方面,我们在上述框架下提出了一种解码器-指针网络结构,额外训练一个指针网络,其作用是从源文本中的某个位置复制合适的单词到当前时间步的输出,这种复制机制通过参数的调节与优化可以自动进行训练学习.另一方面,我们提出了一种覆盖率检测机制来解决摘要中单词、短语经常重复生成的问题,其主要的思想是引入了时间步的注意力权重分布之和作为覆盖率向量,通过抑制某一个维度注意力分布,加入一个覆盖率损失函数到目标函数,巧妙地解决了注意力集中在某几个单词的情况,缓解了生成的摘要出现重复的情况.由于生成对抗网络的结构可以让生成网络和对抗网络在互相对抗的过程中同步演化,让生成网络的输出非常接近真实的样本.基于此,我们将改进之后的序列到序列网络作为生成网络,引入了词向量模型加上卷积网络架构的摘要文本分类器作为鉴别网络,二者不断对抗、迭代,最终生成高质量的摘要.为了验证本文模型的有效性与优越性,我们选择了在Gigaword、DUC2003以及CNN/Daily Mail三个标准数据集上进行生成摘要的数值实验,选择了ROUGE-1,ROUGE-2,ROUGE-L三种指标进行摘要质量的评估.实验结果表明,本文的模型在三个质量评估指标上均得到了不同程度的提升.