Ekstraktivna sumarizacija teksta je proces automatske izgradnje sažetka izlučivanjem najistaknutijih rečenica iz izvornog teksta. U ovom radu su opisane dvije metode za ekstraktivnu sumarizaciju teksta bazirane na dubokom učenju: višeslojni perceptron i upravljačka rekurentna jedinica. Obje metode klasificiraju ulazne rečenične vektore u binarnu klasu ovisno pripada li rečenica sažetku ili ne. Kod perceptrona svaka rečenica u tekstu je predstavljena Doc2Vec vektorom. Metoda upravljačke rekurentne jedinice uči vrijednosti parametara prikrivenih stanja iz vektora ulaznih nizova riječi. Embeding sloj se inicijalizira s vrijednostima Word2Vec vektora svih riječi u vokabularu, a na izlaznom sloju se rečenice klasificiraju u sažetak. U postupcima učenja korišten je standardni skup podataka CNN/DailyMail, a sumarizacija je evaluirana standardnom mjerom za procjenu kvalitete generiranog sažetka - ROUGE. Generalno, višeslojni perceptron postiže bolje rezultate ukoliko se uvažava odziv, dok GRU postiže preciznije rezultate bez obzira na ROUGE mjeru evaluacije. Iako daleko od mogućnosti tvorenja optimalnih sažetka, rezultati ukazuju na uspješnost ovih metoda za problem ekstraktivne sumarizacije teksta.