文本摘要（Summarization）是一类利用自然语言处理（Natural Language Processing, NLP）技术，将长篇文本压缩为更简洁、保留核心信息的文本内容的方法。该技术旨在帮助系统自动理解文档中的主要观点、关键事实和语义结构，并生成适用于阅读和信息检索的摘要结果，是文本理解与生成领域的重要任务之一。

文本摘要的发展建立在信息抽取、自然语言处理和语言生成等多个领域的长期研究基础之上。早期方法主要依赖基于规则的句子选择、统计特征排序等抽取式方法（Extractive Summarization），直接从原文中选取重要句子组成摘要，但生成内容通常缺乏连贯性。随着深度学习的发展，研究人员开始探索利用神经网络生成新的摘要文本。 2015 年，哈佛大学与 Facebook AI 研究人员在论文 A Neural Attention Model for Abstractive Sentence Summarization 中提出基于注意力机制的神经网络摘要模型，探索了通过理解文本语义并生成新的摘要句子的抽象式摘要（Abstractive Summarization）方法，成为神经文本摘要领域的重要代表性研究之一。

现代文本摘要系统通常结合编码器-解码器架构（Encoder-Decoder）、注意力机制、 Transformer 模型以及大语言模型等技术，对输入文本进行语义理解并生成摘要内容。相比传统抽取式方法，现代生成式摘要模型能够更加灵活地重组信息，但仍面临事实一致性、信息遗漏和生成可靠性等挑战。目前，文本摘要技术已广泛应用于新闻聚合、会议记录整理、法律文档分析、学术论文辅助阅读和企业知识管理等场景，为大规模文本信息处理提供了重要技术支持。