社交媒体在人们的生活中扮演着不可或缺的角色,大量的用户在社交媒体中对各种话题发表自己的观点,表达自己的立场。社交媒体文本中蕴含的立场态度信息能够辅助政策制订,帮助了解用户偏好,具有重要的科学研究价值和应用前景。现有方法在具备充足标注数据的立场检测任务上已经取得较好的性能。但在实际场景中,社交媒体上不断涌现出海量新话题,对所有新话题进行立场标签标注用于训练是不切实际的。针对这一问题,本文研究少样本场景下社交媒体文本的立场检测方法。主要研究内容包括:本文首先研究将源目标立场检测模型向无标注相似目标进行迁移的跨目标立场检测方法。现有的跨目标立场检测方法往往直接将源目标和目的目标之间共享的特征进行迁移,但缺乏对目的目标立场表达上下文的识别和利用。为此,本文提出了一种目标自适应立场检测方法,使用目标自适应图表示捕捉目的目标立场表达的关键信息。该方法从词的目标相关和目标无关的语用依存关系出发,针对目标构建自适应依存图,进而使用交互图卷积神经网络模块对目标自适应依存图进行卷积获得目标自适应图表示。最后利用目标自适应图表示和交互注意力机制从句子中识别关键的立场表达。和基线方法相比,该方法在SEM16数据集的多个跨目标立场检测任务上,Macro-F1和F1（62）指标平均提升分别为6.4%和8.1%。在数据量较大的WT-WT数据集上,Macro-F1和精确率的提升分别为8.4%和5.9%。本文进一步研究了利用多个源目标数据预测无标注目标的少样本立场检测方法。与跨目标立场检测方法仅使用单一相似目标数据相比,少样本立场检测方法对源目标的相似程度和数量不进行限制,是一种更通用、更具应用潜力的方法。为了从多个源目标数据中学习通用的立场特征,本文提出了目标关注的元学习方法。该方法引入外部知识产生目标对比句,并采用目标关注编码器获得目标对比句中目标特有的立场表示。最后利用目标关注的归纳网络,依据立场表示进行立场分类。在SEM16数据集和WT-WT数据集上,该方法的分类准确率比对比模型分别提升了1.12%和0.64%。