社交媒体因其本身的开放性和公众的广泛参与度得以迅速发展,使人们可以随时随地地获取信息并发表自己的观点。然而,社交媒体在成为人们获取信息重要渠道的同时,也成为了谣言滋生和传播的重要场所和途径。谣言的传播不仅会给普通人带来恐慌,甚至会影响社会的稳定和发展。因此,近年来,关于如何自动检测社交媒体上的谣言引起了学术界的广泛关注。现存谣言检测的方法集中于使用机器学习算法或者神经网络模型抽取谣言的文本特征、传播特征、社交特征等。然而,这些方法在谣言特征选择和模型鲁棒性上均有缺陷。因此,本文的工作在前人研究的基础上,基于以上两个方面进行深入研究。主要研究内容如下:（1）基于用户信息和情感信息的谣言检测方法现有的谣言检测研究方法过于关注谣言的文本语义特征和传播过程中用户的社交特征,而忽视了用户的情感信息。针对该问题,本章提出了一种分层注意力网络进行谣言检测。该方法通过注意力机制将用户的情感信息融入到模型中。在数据集PHEME、Twitter15和Twitter16上的实验证明该方法优于基准系统,准确率分别提高了 1.5%、0.8%、0.5%。（2）基于时间流和传播结构特征的谣言检测方法谣言在社交媒体上的传播具有时间流特征和传播结构特征,而前人的工作仅关注其一,并且使用了大量的辅助特征。然而,谣言传播的时间流特征和传播结构特征均有助于提升谣言检测模型的性能,并且能够形成互补作用。因此,本文提出一种基于时间流和传播结构特征的谣言检测方法,并简化辅助特征。同时,利用协同注意力机制来增强源推文的作用。在数据集PHEME、Twitter15和Twitter16上的实验证明该方法优于基准系统,准确率分别提高了 3.1%、3.1%、1.1%。（3）融合对抗训练和有监督对比学习机制的谣言检测方法已有研究在所使用的数据集上能够取得良好的性能,但是,却难以应用于现实平台。主要原因是鲁棒性较差,模型不稳定。为了解决该问题,本文将对抗训练和有监督对比学习机制的方法应用到谣言检测领域。在数据集PHEME、Twitter15和Twitter16上的实验证明了该方法优于基准系统,准确率分别提高了 2.7%、3.2%、3.1%。本文针对社交媒体谣言检测任务从两种不同的角度,在谣言传播特征和模型鲁棒性的研究上层层深入,提出了三种不同的谣言检测方法,为社交媒体谣言检测领域进一步地研究奠定了基础。