随着互联网与信息技术的迅猛发展,传统的信息传播媒介已无法满足人们对于即时信息的需求,依托网络的新媒体迎来了春天,在微博平台上,网民只需手指一划便可得到第一手资讯。然而,网络社交媒体平台很有可能成为虚假新闻滋生的温床,阻碍真实信息的传播,还有可能导致民众对当局政府的不信任,造成社会动荡。如何迅速有效地检测出社交平台上的虚假新闻,成为消除新闻误导、净化网络环境的重中之重。本文从新媒体社交平台入手,以微博新闻数据为研究对象,选取新闻文本内容为主要数据模态,构建基于词嵌入的微博虚假新闻识别模型。在此基础上结合虚假新闻话语分析,观察新闻创作者在文本、语境等维度的写作思路和写作习惯,提取出基于心理学文本分析的文本风格和心理情绪语言特征;在单一词嵌入模型的基础上丰富了微博新闻识别模型的输入维度,具有很好的现实意义。本文主要分为五个部分:第一部分阐述了本文的研究背景与意义、国内外虚假新闻识别的文献综述、主要研究内容与本文的创新点。第二部分介绍了文本预处理过程中使用到的分词、词向量化理论基础,同时介绍了常用于文本分类神经网络理论结构。第三部分介绍了本文使用的微博新闻数据集,对微博数据集进行描述统计,根据虚假新闻话语分析,提出文本风格和心理情绪共计20个语言特征,通过独立样本t检验比较不同类别新闻间各特征的差异性,按照文本预处理流程和社交平台文本特点进行新闻去重、去噪、分词和向量化,在单一特征的基础上,融合具有显著差异的语言特征和词向量特征。第四部分针对第三部分提出单一词嵌入模型和融合特征模型,实验表明融合特征模型具有最好的识别效果;在原始数据集以外,爬取近期微博的虚假新闻数据做稳健性检验,发现模型效果均较于原始数据集有所下降,但融合特征模型的识别效果显著高于其他模型。第五部分为总结与展望,总结出虚假新闻数据集的语言特征以及不同模型下的泛化效果,在数据集开发、模型适用领域和语言特征拓展等方面提出了相应期望。本文的主要贡献在于:（1）根据虚假新闻话语分析理论,结合语言探索与字数统计（LIWC）词典,利用统计特征将话语分析量化表示,进一步拓宽特征范围;（2）在传统LSTM模型的基础上,兼顾序列信息与词嵌入信息,提出了LSTM-FC框架,实验表明,相比于其他神经网络,连接LSTM-FC网络的虚假新闻识别模型结果效果最好;（3）提出了融合统计特征与词嵌入特征的识别模型,结果表明BERT-LSTMFC-LC-FNN具有最好的识别效果,且在稳健性检验中,相比单一词嵌入模型效果提升3.4%。