互联网社交媒体近年来的迅猛发展,海量文本数据每日在各种社交媒体上生成和传播,伴随着人们对成本要求的提高,自动化的从互联网上的文本信息提取关键信息并生成相应文本就越发重要。通过文本生成算法输出语义连贯,语序通顺的拟真文本能够节约人力成本。本文的主要工作是研究基于多层文本度量生成对抗网络的文本生成模型来实现文本生成任务,并针对文本生成流程传统文本生成模型中的不足之处,进行探索并提出相应的改进方法。本文的研究工作主要包括以下几个方面:1)针对文本生成模型中常见的离散型数据特征及其相应的特征信息不足的问题,本文根据文本生成过程中对特征提取流程的不同,研究分析了传统的序列到序列模型在特征提取上的欠缺,改进现有特征获取流程。提出基于原始数据集特征空间的补充机制,构建了特征增强文本生成模型。通过将传统的特征提取流程进行优化,提高特征空间完整度。实验表明特征增强模型可以有效利用文本特征,更有效的通过特征提升文本生成效果。2)针对文本生成过程中的词级语序问题,本文根据文本生成过程中对原文本信息处理的需求,受镜像对称的启发,提出基于生成对抗网络的对称训练模型。其中生成对抗网络用于保证生成过程的效果,对称训练机制用于提升文本生成过程中词级语序上的性能要求,将文本生成任务分为编码生成,对称训练,真伪判断三个步骤。实验结果证明对称对抗训练网络可以有效提升生成过程中词级语序优化问题,提升整体文本生成效果。3)针对生成文本的整体语义和词级语序统摄问题,本文通过学习自然语言形成过程中的整体语义统摄词级语序特点,改进文本生成模型生成过程,提出分层结构的文本生成模型。在对称对抗文本生成模型的基础上,使用双层编码解码模型用于处理语义及语序上重要特征,构建分层对称对抗训练模型。实验表明分层对称对抗训练模型在生成文本上的可读性优于传统文本生成模型,并且有效减少了词序和语义交叉的问题,提升了文本生成效果。