随着人们日常生活与社交媒体的关系越来越紧密,微博作为当前最为重要的社交、信息来源平台,其中夹杂的谣言信息左右着网民的对事件的认识、动摇着社会和谐稳定。针对当前社交平台存在谣言但平台甄别慢、响应不及时的问题。基于深度学习的谣言检测方法以其高效、准确的特点越来越受到关注。经分析,在谣言检测时融合评论情感特征与正文文本特征对提升谣言检测的表现有积极意义,因此,本文针对微博谣言提出一种融合情感特征和文本特征的谣言检测方法,并做出以下研究:（1）提出一种带标签语料的生成方法。针对基于深度学习的方法普遍存在的缺乏训练数据的问题,根据评论中的emoji表情的情感极性推断该条评论的情感极性。使用此方法将大幅增加可以用于情感分析模型训练的带标签语料,提高情感分析模型的性能。（2）提出一种融入情感值的注意力机制。通常情感分析是训练出一个文本分类模型并将其应用于情感分析任务,为了使模型具有更好的分类性能,本文选择训练一个包含注意力机制的文本分类模型。除此之外,为了使该模型更加适用于情感分析任务,本文在注意力机制中引入词汇的情感值,使模型训练时更加专注于对高情感值词汇的分析。与其他情感分析模型进行对比实验显示,本文提出的情感分析模型的分类准确率有了显著提升。（3）提出一种进行特征子集分类选择与冗余特征过滤的特征选择方法。为了对微博正文进行文本特征选择,针对传统基于信息增益的方法存在的不适用于数据分布不平衡语料,并且提取后的部分特征在类间具有较高相关度的问题。本文提出的基于特征子集分类选择与冗余特征过滤的文本特征选择方法通过限定各类待选择的特征数目上限来实现对不平衡语料的特征选择,并通过删除在类间出现频率相近的特征词来减少冗余特征。分别采用本文提出方法与其他特征选择方法在KNN分类器中进行文本分类实验,并对分类结果进行对比分析。结果显示,本文提出方法在分类准确率和运行时间效率上均有更好的性能。（4）提出一种融合情感特征和文本特征的谣言检测方法。通过情感分析模型对待检测微博评论进行情感特征提取,通过特征选择方法对待检测微博正文进行文本特征提取。结合情感特征和文本特征后共同表达该条微博,以此为依据进行该条微博的谣言检测。同时使用本文提出的方法与多种谣言检测基线方法进行谣言检测对比实验,并对正确率、准确率、召回率和F1值四种分类评价指标进行分析比较,结果显示,本文方法在多种指标上均优于基线方法。