社交网络的蓬勃发展日益满足着人类的社交需求,但也为网络欺诈提供了温床。借助社交网络,垃圾用户实施的行为很可能破坏正常用户的隐私和名誉,甚至转变成对社会稳定与国家安全的一大威胁。垃圾用户善于伪装,且不断改变其实施垃圾行为的策略,导致现有一些检测方法失效。本文以此为出发点,以矩阵分解和深度学习作为技术手段,利用社交网络中多种类型信息,提出检测垃圾用户的几种解决方法,主要贡献为:（1）基于凸非负矩阵分解的垃圾用户检测方法。针对基于手工提取的特征矩阵具有稀疏性导致垃圾用户检测效果下降,以及现有检测方法没有合理利用用户之间社交互动关系的问题,提出一种将用户的潜在特征、社交互动信息及分类器分段优化学习的方法。通过凸非负矩阵分解学习出区别度较大的两类用户的潜在特征空间,避免了直接利用手工提取的特征带来的弊端,提出一个基于社交互动频率的正则项,解决了垃圾用户故意构造社交关系以逃避检测的问题,从而训练出的检测模型性能更好。（2）基于多视角学习的垃圾用户检测方法。针对单一视角学习的检测方法在识别实施多样化策略的垃圾用户时,检测效果会下降的问题,提出一种将多个视角的信息、社交关系信息以及分类器共同迭代学习的检测模型,通过将不同视角的潜在特征矩阵进行一致化训练,实现从多个角度以一个指示矩阵形式表示用户特征,解决了对于实施多样化策略的垃圾用户难以检测的问题。同时提出一种补充缺失信息的方法,进一步提高了多视角学习检测垃圾用户的效果。（3）基于注意力机制的垃圾用户检测方法。针对手工提取固定特征可能会导致部分重要信息被丢弃的问题,以及现有深度学习方法主要面向检测垃圾推文的情况,提出一种基于注意力机制检测垃圾用户的模型,利用注意力机制分别从原始推文内容学习基于内容的用户表示,从用户间的社交互动频率学习出基于结构的用户表示,通过两种用户表示,更深层次地揭示用户行动规律,从而进一步提高检测垃圾用户的性能。（4）基于神经网络的隐匿型垃圾用户检测方法。针对利用图片作为载体,传播垃圾信息的隐匿型垃圾用户难以检测的问题,提出一种基于深度神经网络和频域预处理的垃圾图片检测模型,通过检测垃圾图片,从而识别隐匿型垃圾用户。实验验证了垃圾信息主要以高频分量存在于载体图片,提出利用小波变换作预处理,去除图片中低频信息,提升了模型训练的收敛速度。同时,利用先验知识选择特殊的特征提取模块以及合适的层数,进一步提升了检测模型的准确率。