基于深度学习的文本摘要是一种自动化生成摘要的方法，通常使用神经网络模型来捕捉文本中的关键信息。下面是一个典型的基于深度学习的文本摘要流程：

  1. 数据处理：首先，需要对文本数据进行处理，包括去除噪音、分词、移除停用词等。这样可以将文本转换为机器可读的形式。

  2. 构建输入：文本摘要的输入通常是一篇文章或文档。可以使用词袋模型或者词嵌入等方法将输入编码成数字向量，以供神经网络处理。

  3. 构建神经网络模型：通常使用循环神经网络（RNN）或者变种，如长短期记忆网络（LSTM）或门控循环单元（GRU）来处理序列数据。这些网络能够捕捉上下文信息，并且具有记忆功能，能够在生成摘要时保持长期依赖关系。

  4. 训练模型：使用已标注的摘要数据集，将输入和对应的摘要作为训练样本，通过反向传播算法优化神经网络参数。一般使用最大似然估计或者其他损失函数进行模型训练。

  5. 生成摘要：在训练完成后，将未标注的文本输入到训练好的模型中，模型将生成一个与输入对应的摘要。生成摘要的方法可以是贪心搜索（逐步选择概率最高的词），集束搜索（考虑多个可能的词序列）等。

  6. 评估摘要质量：使用自动评估指标（如ROUGE），或者在人工参与的评估中对生成的摘要进行评估。

  需要注意的是，基于深度学习的文本摘要方法需要大量的标注数据和计算资源进行训练和实验。此外，该方法也存在一些挑战，如长文本处理、信息选择和生成的流畅性等，仍然是一个活跃的研究领域。