社交媒体的地理位置大大丰富了地理知识发现的手段,但社交媒体的地理位置标记是稀疏的,仅约1%-10%的社交媒体数据附带地理位置。除了用户主动标记的位置,社交用户的文本、社交网络也隐藏着许多地理位置指示信息。为了从文本、社交网络挖掘潜在的地理位置指示信息,推断社交媒体数据地理位置,本文基于深度学习方法对文本级、用户级两个层次的社交媒体数据建立地理位置探测模型。主要研究内容包括:（1）文本级的社交媒体地理位置探测针对社交短文本,提取位置指示信息并推断其地理位置。通过地理命名实体识别、BTM主题模型对社交文本筛选,基于抽取地名获取地理编码和Fasttext、Text CNN三种方法对社交短文本的地理位置探测。结果显示,Fasttext方法最优,包含地理实体的文本和旅游类主题的文本更容易发现地理位置。（2）按照输入的不同,用户级的社交媒体地理位置探测可以分为基于文本的用户地理位置探测和基于文本结合社交网络的用户地理位置探测。基于文本的用户地理位置探测,将每个用户发布的多条文本串联为一个长文档,在文本串联之前对多条文本基于地理命名实体识别、BTM主题模型筛选过滤。将用户的地理位置探测归为一个长文本的分类问题,在三个社交媒体数据集利用Fasttext和Text CNN实验,结果显示,Fasttext总体最优,仅在一个数据集的特定文本输入时,Text CNN表现更好。针对基于文本结合社交网络的用户级地理位置探测,提出了图卷积神经网络、多视图融合神经网络地理位置探测模型。实验显示,图卷积神经网络模型优于多视图融合神经网络,并比最新的研究成果更具竞争力。结合现实监督样本稀疏的场景,在10%以下的小样本监督学习实验,结果显示,图卷积神经网络在低于10%监督的小样本学习场景能保持强大学习能力,并且社交网络的质量对于其小样本学习能力起到了关键的作用。（3）选取特定的雾霾事件,爬取山东省2018年雾霾事件相关微博,共计50398个发布的90672条微博,其中12.40%用户附带签到位置。从文本中提取社交网络,基于图卷积神经网络模型对用户地理位置探测,用户地理位置探测地级市尺度的精度超过90%,将地理位置探测用户的空间分布与2018年山东省国控监测站PM2.5浓度均值空间相关分析,结果显示,在地级市尺度地理位置探测结果与PM2.5浓度均值显著相关。利用深度学习方法对社交媒体数据地理位置探测,有助于提高社交媒体地理位置探测的精度,弥补社交媒体数据位置稀疏的问题,对基于位置的相关研究具有重要的意义。