随着社会的发展和互联网的进步,社交网络逐渐成为我们获取信息的主要途径。现代社交网络的消息传播速度极快,通过社交网络,各种事件的情况第一时间被送到我们面前。但同时很多虚假消息也被迅速的传播,这些消息或为反动活动提供土壤,或动摇人民的信心造成恐慌,或增加了工作人员不必要的工作负担。在社交媒体上,虚假消息内容更新快、扩散速度快,目前新浪微博主要依靠人工审核方式来检测谣言,检测效率相对较低,存在滞后的问题,对时间和人力成本的消耗也很大。自动化虚假消息检测可以很好缓解这些压力,因此具有重要意义。虚假信息的载体主要是文本,传播途径主要是社交网络中的转发和评论,以往的工作有基于博文文本和多媒体,还有的是基于传播树或者时序特征,很少有工作考虑到博文之间关联的事件级特征。虚假信息检测还有一个一直存在的挑战是如何检测以前未见过的信息是否未虚假信息。针对以上两个问题,本文将文本特征与事件特征结合起来,提出了一个可迁移的融合模型,实验证明模型在未见过的事件检测中的效果好于以往的工作,本文主要工作如下:1)针对数据量大,文本重复,文本所描述的事件未分类且事件所属领域各不相同等的问题,本文使用了单遍聚类的无监督文本聚类方法,基于TF-IDF的方式为每条文本嵌入文本向量,聚类算法的相似度依据采用向量余弦相似度。并通过抽取己判定虚假信息关键语句对未知文本做匹配以达到提高效率和准确率的目的。2)针对同一事件的不同文本表达和对未知事件的检测能力也即泛化能力弱的问题,本文提出了一种融合检测模型。该模型利用自然语言处理模型提取博文的文本信息,利用图神经网络来挖掘文本的事件级特征,同时利用生成对抗网络来加强泛化性能,综合的对虚假信息进行检测。3)针对现实社交网络中的虚假信息检测需求,本文基于社交网络虚假信息设计了一套在线虚假信息检测、检索和分析的工具。