随着信息技术的高速发展,越来越多的人倾向于使用微博、贴吧等社交网络平台获取信息资讯。与传统信息媒体不同,社交网络平台上的信息具有造假成本低、传播速度快、监管力度弱等特点。因此,社交平台逐渐成为虚假信息泛滥的重灾区,大量虚假信息在互联网社交平台上被恶意用户大肆传播,这不仅对互联网安全造成威胁,甚至会扰乱社会稳定。由于人工识别虚假信息的方法效率低下,难以快速精准识别虚假信息并及时遏制其传播,研究社交媒体虚假信息自动检测技术具有重要意义。社交媒体信息具有数据量大、结构类型多、噪声多等特点,利用自动化手段进行虚假信息检测面临很多挑战。当前大部分研究工作主要围绕文本内容、社会上下文信息（评论、用户属性）和传播结构等类型数据展开,忽视了图像这一重要的视觉数据。作为用户发布信息的一部分,图像通常包含丰富的语义信息,与文本内容存在关联性,在一定程度上有助于虚假信息的准确识别。同时,虚假信息在早期传播阶段,存在社会上下文信息不足、传播结构难以捕获等问题。因此,本文主要对社交媒体上易获得的文本和图像两种不同模态的数据进行建模,深入挖掘二者之间的深层交互关系,融合多模态信息,使用深度学习方法对虚假信息进行早期检测研究。本文主要研究内容如下:（1）为了充分提取图像特征以及深层次融合文本和图像信息,提出一种基于双重注意力机制的多模态融合虚假信息检测模型MMDF。具体而言,首先利用双向门控循环单元提取文本特征,利用多分支卷积神经网络提取图像的多层次特征;然后,采用模间注意力机制捕获文本特征和图像特征之间的交互关系,融合多模态信息,对文本特征和图像特征进行增强;其次,利用模内注意力机制捕获增强后的文本特征和图像特征各自内部的关系,得到多模态表征;最后,将原始文本特征、原始图像特征以及多模态表征依据注意力权重进行再融合,加强原始信息的作用,进行虚假信息识别。在两个数据集上的实验结果表明,模型MMDF可以有效融合多模态数据,提高虚假信息检测准确率。（2）为了从全局视角同时学习多模态之间的交互关系和单模态内部的复杂关系,并进一步细化文本和图像之间的信息融合粒度,提出一种基于Transformer-MF的多模态细粒度融合虚假信息检测模型TMF。具体而言,为了细粒度表示文本和图像,利用特征提取模块分别提取文本中每个字的表征和图像中每个区域的表征;然后,为满足多模态信息融合需要,在Transformer的基础上提出了Transformer-MF来融合文本和图像信息,从全局和局部两个层面同时学习字与字、字与区域、区域与区域之间的交互关系,得到全局和局部多模态表征;最后,结合文本和图像的原始表征与全局和局部多模态表征进行虚假信息检测。实验结果表明,模型TMF在虚假信息检测准确率方面优于基准模型。