新浪微博可以让任何拥有互联网连接设备的用户实时分享他们的想法,并实时发布他们可能目睹的事情。新浪微博的多样性激发了人们表达观点的热情,这使得新浪微博越来越多地被用作收集信息的工具。虽然带来了极大的便利,但在新浪微博上可以分享的内容几乎没有限制,它的开放性和及时性导致谣言信息的快速生成和传播,而且谣言信息的传播是毁灭性的。因此,新浪微博平台的开放性为如何利用自然语言处理和数据挖掘技术进行谣言检测提供了契机。谣言检测是文本分类的一个子任务。本研究的目的是从海量的微博原文和其评论信息组成的事件级微博中挖掘重要特征,并利用深度学习模型对其进行检测。本文的主要工作如下:（1）针对以往研究所公开的微博数据集过于久远问题,本文从新浪微博官方的社区管理中心爬取并筛选了2019年1月份至2020年9月份的谣言事件信息,经筛选后,共计有1906个谣言事件微博信息。还从微博首页的头条板块出采集了非谣言事件,经筛选后,共计有2017个非谣言事件微博信息。最后,与公开数据集结合构建新的数据集用于实验。（2）针对以往谣言检测研究中人为划分事件时间段造成的信息丢失问题,提出了可变长度时间序列评论划分算法。该算法充分利用评论中的点赞及时间信息,将事件时间序列动态划分。在此算法基础之上提出了基于动态划分的分层注意力机制（A Hierarchical Attention Mechanism With Dynamic Division,HAD）模型来研究事件级微博的谣言检测问题。模型利用分层注意力机制同时从微博层面和时间段层面对微博事件进行关注,进而进行分类。并将模型与经典的基线模型进行识别效果的比较,验证了所提出模型的有效性。（3）针对单一模型语义缺失问题和关键特征选择问题,将动态卷积神经网络（Dynamic Convolutional Neural Network,DCNN）和HAD模型结合起来提出了新的模型。融合后的模型不仅利用注意力权重保留了有效信息,而且解决了关键文本信息丢失问题。