多文档摘要是自然语言处理领域的热点研究问题之一。相比从一篇文档中提取出一个摘要的单文档摘要而言,多文档摘要研究的是从多篇文档中提取出一个摘要,这个摘要是对多篇文档内容的高度总结,通过多文档摘要技术可以帮助人们在短时间内掌握多篇文档的主题内容信息。近年来单文档摘要以及多文档摘要技术逐渐被广泛地采用,而多文档摘要相比单文档摘要存在着算法复杂度高、摘要可读性差、摘要冗余度高等问题,因此研究具有高质量的多文档摘要自动提取算法是目前自动摘要领域的重要研究课题。本文以提高摘要质量为目标,通过对关键词提取技术等内容进行研究,开展了基于关键词密度的多文档抽取式摘要算法的研究与应用工作,主要的研究工作如下:1.针对于基于文本图的关键词提取算法的评分函数权重参数过多,语义特征考虑不足等问题,提出了一种基于k-truss图分解的关键词提取算法。该算法首先通过k-truss图分解技术获取文本图的层次结构,然后据此提取出文本的语义特征,位置特征,复杂网络特征等信息。接着通过特有的无参评分函数来计算出文本图中每个节点（单词）的重要性评分,再根据单词的评分排名提取得到关键词。最后与其它具有代表性的关键词提取算法进行了对比分析,实验结果表明所提算法在4个基准数据集上的F1指标上平均提高了0.7%,验证了本文所提算法的有效性。2.针对目前大多数基于图的多文档抽取式摘要算法在构建句子图时使用词共现作为边连接关系时忽略了较多的语义关系以及采用句子级评分函数生成的摘要冗余度较高等问题,提出了基于预训练语言模型和关键词密度的多文档抽取式摘要兼去冗余算法。该算法首先通过提出的预训练语言模型获取文档中所有句子的语义向量,接着借助余弦相似度来创建句子间的边连接关系并提出了基于关键词密度的句子评分方法来提取候选摘要,然后通过基于文本相似度的摘要去冗余框架来获取高质量无冗余的摘要。最后在其它具有代表性的多文档抽取式摘要算法进行了对比分析,实验结果表明本文所提算法在4个基准数据集上的Rouge-1,Rouge-2和Rouge-L指标上平均分别提高了2.14%,0.73%和0.52%,验证了本文所提算法的有效性。3.将所提出的多文档抽取式摘要算法应用于网页分类任务,针对目前的网页分类算法在特征提取阶段考虑了网页中太多无用的冗余特征信息导致提取得到的特征向量维数过大的问题,提出了基于多文档摘要技术的网页分类算法。该算法首先对网页进行主体内容提取,通过主题分割手法获取网页文本的各个主题段落,然后通过多文档摘要技术对主题段落进行摘要抽取从而获得整个网页的核心文本信息。接着借助预训练语言模型对摘要句进行语义编码,再基于卷积神经网络构建分类器来实现网页分类。最后在搜集到的新闻类网页分类数据集上与其他4种先进的网页分类算法进行了实验对比,实验结果表明本文所提算法在新闻类网页基准数据集上的F-measure指标上平均提高了0.9%,验证了本文所提算法的有效性。