以新浪微博为代表的新型社交媒体逐渐取代传统媒体,成为人们获取信息,传播信息的主要平台。这些平台使人们的生活更加便捷,但同时也成为了各种谣言信息广泛传播的温床。谣言的传播给人们带来巨大的经济损失,造成严重的社会恐慌。如何快速且有效地自动检测微博等社交媒体上的谣言信息,成为了当前社交网络研究中的热点。现有的微博谣言检测研究,大多都将其看成有监督学习的二分类过程。特征的选取是研究中的重点,主要包括博文内容、用户属性、传播统计等特征,大都忽略了微博信息随转发和评论关系传播的结构特征,未能有效检测出基于某种动机模仿真实信息而编造的谣言信息。针对上述问题,本文主要从传播结构角度出发,分别提出以下两种模型:（1）一种基于传播树结构的微博谣言检测模型。该模型首先根据源微博的转发和评论关系构建微博信息传播树,将用户的影响力、情感反馈和内容等特征嵌入到传播树的节点中;然后提出一种传播路径树核函数（Propagation Path Tree Kernel,PPTK）,该树核函数通过计算传播树中从根节点到叶子节点传播路径的相似度,得到微博信息传播树结构之间的相似度;最后使用基于传播路径树核的支持向量机分类器,对待检测微博信息传播树进行分类。（2）一种基于传播图结构的微博谣言检测模型。该模型首先在微博信息传播树中加入子节点指向父节点的隐性有向边,构成微博信息传播图,并将发布博文的内容嵌入到传播图的节点中;然后在图卷积神经网络（Graph Convolutional Networks,GCN）的图池化过程中设计多注意力分数计算方法,用于保留重要节点;最后分别基于多注意力分层图池化和多注意力全局图池化两种图池化架构,实现对微博信息传播图的分类。本文采用Weibo和Pheme两个公共数据集对研究内容进行有效性验证。首先对数据集进行预处理;然后将本文提出的两种模型分别与已有的模型进行实验对比,并采用准确率、精准率、召回率和F1值评估模型检测谣言的性能;最终实验结果表明:在两个公共数据集上,与已有的谣言检测模型相比,两种新模型在评价指标上均有所提升。