随着互联网技术的飞速发展,网络空间早已成为当今世界一个新型的工作和生活空间,其中微博、Twitter等新兴社交媒体成为互联网信息分享的重要渠道。但是,随着社交媒体中的谣言与垃圾用户等安全问题日益突出,这不仅对平台的安全性和稳定性产生不利的影响,还会对普通用户的信息安全以及社交媒体的信誉体系构成严重的威胁。因此,设计有效的检测方法,及时有效地识别谣言与垃圾用户,在信息安全和网络空间安全领域具有广泛的理论意义和应用价值。本文针对社交媒体上的谣言与垃圾用户检测两类安全问题,进行了深入的研究,具体研究内容如下:（1）为更有效挖掘谣言的传播结构信息,提出一种基于门控图神经网络的谣言检测模型（GGNN-RD）。模型利用谣言信息的传播过程建模为传播图和扩散图,接着通过门控图神经网络聚合邻居信息生成节点表示,利用门控机制降低邻居节点噪声信息的干扰。同时考虑到社交媒体中源帖丰富的语义和结构信息,引入根节点语义增强方法提升表征节点的能力。此外,利用注意力机制融合谣言的局部结构和全局结构信息以学习一个更加全面的谣言表示用于谣言检测任务中。在公开数据集上的实验结果表明,提出的模型与基线方法相比具有更好的检测性能和早期谣言检测能力。（2）针对社交媒体复杂的社会语义关系,提出一种基于层次注意力机制的垃圾用户检测模型（HAM-SD）。模型使用异质信息网络对社交媒体进行建模,挖掘丰富的语义和结构信息。提出层次注意力机制节点表示方法,利用节点级注意力层聚合元路径邻居信息来增强节点表示。此外引入自适应层级聚合模块选择不同层级特征自适应融合有效邻接范围大小。接着使用语义级注意力层计算不同元路径下节点表示的重要影响力并融合得到最终的节点表示。最后带入分类器用于垃圾用户检测任务之中。在实际数据集上的实验结果表明,与基线方法相比本文所提模型具有明显的检测性能优势,同时在处理不平衡数据分布保持一定的稳定性。