随着互联网的快速发展,社交媒体大大提高了信息的传播速度和传播范围。然而,社交媒体缺乏监管不受限制的特性也助长了谣言的迅速传播,网络谣言的广泛传播对公众获取真实有效的信息造成了严重的干扰,轻者影响人们对于事实的判断和认知,对个人生活造成负面影响,重者可能会造成严重的社会恐慌,影响社会的和谐稳定发展。因此准确的网络谣言检测,对于阻止谣言的广泛传播,防治网络谣言带来的危害,具有十分重要的研究价值和社会意义。面对海量的社交媒体信息,传统的网络谣言检测方法依赖人工构建特征训练鉴别分类器,这种方法不仅费时费力,还存在着识别滞后、覆盖不全等问题。随着人工智能技术的发展,深度学习依靠能够不依赖人工构建特征自动学习样本数据中的深层特征的优点,在各个领域都取得了不错的研究成果。因此基于传统网络谣言检测方法的缺点和深度学习的优点,本文主要围绕多种深度学习模型展开对网络谣言检测技术的研究,通过利用不同结构的深度学习模型对网络谣言进行深层次的学习,进一步提高了网络谣言检测系统的识别准确率。本文的主要工作和创新点如下:（1）学习了谣言检测的研究背景与意义,并且从谣言研究、谣言传播和谣言检测三个方面总结了相关研究的历史和现状。（2）研究了网络谣言的特征及文本表示,学习了网络谣言的基本理论。首先从网络谣言的文本特征、用户特征和传播特征三个方面详细研究了网络谣言的特征;然后总结了网络谣言的文本表示方法,包括Boolean模型、向量空间模型和词嵌入模型,为后续的实验提供理论依据。（3）研究了谣言检测的相关技术。总结了常用的机器学习算法,包括支持向量机和人工神经网络;然后研究了深度学习相关算法,包括卷积神经网络和循环神经网络;最后研究了注意力机制,总结了核心原理,为后续的实验对比提供了理论支持。（4）设计了一种基于分层注意力的网络谣言检测模型,该模型采用分层注意力的结构,将网络谣言事件划分为词语层级、文章层级和子事件层级,并且集成了网络谣言的统计特征,融合了事件的层次化时序特征和深层次语义信息,得到了网络谣言的准确表示。通过在新浪微博和Twitter谣言数据集上设计的谣言检测实验、消融实验,验证了该模型具有良好的谣言检测效果,并证实了模型各部分的有效性。最后通过设计早期谣言检测实验,证明了该模型在早期谣言检测任务上的有效性。（5）提出了一种基于生成式对抗网络的网络谣言检测模型,该模型采用序列到序列模型构建生成器来学习真实样本的分布特征,并且通过反向生成抑制生成失真,来产生接近真实样本的伪样本。该模型采用对抗学习的思路,采用基于分层注意力的网络谣言检测模型作为鉴别器,通过对抗训练学习网络谣言的深层抽象特征,从而提高模型的识别准确率和鲁棒性。通过在谣言数据集上设置的大量对比实验,验证了该模型在谣言检测任务和早期谣言检测任务的有效性和可靠性。