Une méthode de compression de phrases basée sur un LSTM peut générer des phrases compressées fluides. Toutefois, ses performances se dégradent significativement lorsqu’elle est appliquée à des phrases plus longues, car elle ne traite pas explicitement les caractéristiques syntaxiques. Pour résoudre ce problème, nous proposons un réseau d’attention syntaxique d’ordre supérieur (HiSAN), capable de modéliser les caractéristiques de dépendance d’ordre supérieur sous forme de distribution d’attention sur les états cachés du LSTM. En outre, afin de réduire l’impact des résultats d’analyse syntaxique erronés, nous avons entraîné HiSAN en maximisant conjointement la probabilité d’un résultat correct et celle de la distribution d’attention. Les résultats expérimentaux sur le jeu de données Google de compression de phrases montrent que notre méthode obtient les meilleurs scores en F1, ROUGE-1, ROUGE-2 et L, respectivement 83,2, 82,9, 75,8 et 82,7. En évaluation humaine, notre méthode surpasse également les méthodes de référence en termes de lisibilité et d’information contenue.