网络信息冗余复杂，如何从大量的文本信息中快速提取出关键的信息，已成为文本摘要关注的重点。针对抽取式文本摘要方法中模型对文本特征的表示不充分的问题，提出一种基于度量学习和层级推理网络的抽取式摘要方法。首先，模型通过双向门控循环单元捕获句子级的上下文信息。然后利用Transformers进行文档级语义推理，并嵌入句子的位置信息，从而获得更好的句子表示和文档表示。最后引入度量学习概念，最大化摘要句表示和文档表示的相似度和最小化非摘要句表示和文档表示的相似度，使得在语义上与文档表示相近的摘要句被选择出来组成摘要。在CNN/DailyMail数据集上的实验表明，提出的模型的Rouge分数在R-2、R-L上比Lead-3模型分别高出1.29和2.43。实验结果表明，该算法能够提高模型捕捉长距离依赖的能力，增强判断文档和摘要句之间的特征相似度的能力，有效改善了抽取式摘要方法的性能。