随着互联网技术的逐渐发展,各大社交媒体平台已经成为人们生活中必不可少的一部分,用户习惯于在上面发表自己的观点,互联网中的用户生成内容（User Generated Content,UGC）数量飞速增长。但是,一些问题也随之而来,互联网中的信息质量参差不齐,并充斥着各式各样的谣言,严重影响了人们的信息获取,若不及时处理,甚至会危害社会和谐与稳定,因此对于社交媒体中的谣言自动检测已成为一项重要研究内容。现有的谣言检测存在时效性低的问题,通常是对传播后期的谣言事件进行检测,由于缺乏相关线索,无法在谣言造成较大危害之前就进行预防。针对这种问题,本文选用国内目前使用最广的社交媒体平台微博作为研究对象,从微博谣言中尽可能挖掘更多的相关特征,并基于深度学习方法进行建模,实现谣言的早期检测与防治。本文的主要工作如下:1.提出一种结合双向情感词注意力机制的卷积神经网络模型（Convolutional Neural Network Based Double Sentiment Word Attention Pooling,DSA-CNN）,以充分提取UGC文本中的情感特征。将注意力机制引入卷积神经网络的池化层中,并对现有的情感词典进行扩充,构建用于微博等社交媒体的情感词典;提出了两种情感词向量的预训练方法,通过构建的微博情感词典与Word2Vec预训练得到正负向情感词向量,将其作为注意力池化的查询向量,经过池化合并后获得最终的情感表示。双向注意力池化可以从积极情感和消极情感两个方面从短文本中挖掘更多的特征。实验表明,DSA-CNN模型在两个社交媒体情感数据集上与经典分类模型相比都取得了较好的性能,模型的收敛速度也有明显的提升。2.提出一种结合多特征的谣言早期检测模型（Rumor Early Detection Model,REDM）实现微博谣言的早期自动检测。首先构建了谣言事件的检测指标体系,包含外部特征Fo、谣言语料的语义特征Fs和情感特征Fe;其次,根据用户的历史发帖记录,计算历史情感倾向、情绪波动与信用度三个行为特征;再次,分别利用BERT模型和上述提出的DSA-CNN模型提取谣言语料的语义特征和情感特征;最后考虑到事件传播过程中的时序特征,采用LSTM模型进行序列建模,将提取的语义特征、情感特征和外部特征结合后,输入LSTM中并检测谣言。根据提取的用户历史信用度特征,将微博用户划分为免疫用户、脆弱用户和不良用户三类,对这三类用户的基础特征与行为特征分别进行统计分析,证明了不同类别用户属性特征具有一定差异,能有效辅助谣言检测。在微博数据集上的谣言检测实验结果表明,本文模型与其它基线模型相比,检测准确度最佳;截取谣言事件的前若干条帖子作为检测节点,证明了在模型在谣言传播早期进行检测依旧有良好的性能。