随着社交媒体的高速发展,以微博为代表的新兴媒体成为信息交流的重要平台。在给人们的生活带来便利的同时,开放的微博平台也成为了谣言重要发源地。传统的谣言检测方法大多通过学习转发评论信息的语义表示进行研究分析,此时谣言已经广泛传播,造成了很多严重的后果。谣言早期检测能够更大程度的减少谣言传播范围,具有更重要的现实意义。由于潜伏期的谣言暴露的特征非常有限,使得谣言的早期检测非常困难;同时传统的谣言检测忽略了当前庞大的谣言数据库和潜在语义特征。针对以上问题,本文构建主题特征来增强谣言早期检测效果,在不依赖于待检测微博的评论转发信息的基础上,提出了新的谣言检测模型进行谣言早期检测,实现了实际工作中谣言早期检测的实时性需求。本文的主要工作有:（1）针对谣言复杂模糊多样化、大量重复性谣言泛滥等问题,定义了标题权重并针对同类事件谣言修正逆向文档频率改进了TF-IDF关键词抽取算法得到种子敏感词集,改进了点互信息算法得到关联词集。在此基础上,构建了特定应用于微博谣言的敏感词库,可在后续主题提取时提升文本对谣言词的语义理解和识别能力,辅助谣言识别。（2）针对当前主题模型对文本低频词的不敏感性问题,将构建的谣言敏感词库与隐含狄利克雷分布主题模型（Latent Dirichlet Allocation,LDA）融合,提出了RUM-LDA主题模型,设计了谣言主题特征提取方法。通过对比实验表明RUMLDA模型有效提高了敏感信息主题识别效率,主题特征能极大的提升后续谣言检测的准确率,降低检测时间,增强谣言早期检测效果。（3）针对微博文本长短不一、随意化等问题,设计了基于注意力机制和长短期记忆网络（Long Short-Term Memory,LSTM）融合的上下文语义特征提取方法,提出了基于潜在语义分析的微博谣言早期检测模型,将该模型命名为RUMATTLSTM模型,该模型将传统社交特征、谣言主题特征和上下文语义特征映射融合进行谣言早期检测,解决了传统网络需要应对的梯度消失和梯度爆炸问题。实验表明,该模型能更好的识别文本的潜在语义信息,有效提高了谣言早期检测的各项性能指标,可对敏感词等关键内容分配更多的注意力。