微博以其时效性和便捷性受到了大众用户的欢迎,但是它在给人们带来便利的同时,其平台上的Spam问题无可避免。目前,微博Spam问题研究主要集中在微博垃圾用户检测上,如何有效地进行微博垃圾用户检测,解决微博Spam问题,切实保护社交网络用户利益是当前研究的热点。但微博用户行为特征的高维度以及多样性给垃圾用户的检测带来了一定的困难。为了降低用户行为特征维度,获得利于垃圾用户检测的特征,本论文对用户行为特征选择方法进行了研究和分析,主要研究工作如下:微博中行为特征的高维度影响学习算法的分类性能并且使计算的复杂度变高。针对这一点,本文设计了一种基于ReliefF算法和和声搜索的耦合式特征选择算法,即ReliefF-Harmony Search算法,简称ReF-HS算法。ReF-HS算法首先利用ReliefF算法作为特征预筛选器,从原始特征中选出分类能力较强的特征,减小搜索空间大小,然后结合HS得到关键特征。为了进一步提升算法运行速率和保证分类器性能,利用朴素贝叶斯分类器设计了算法的评价函数。实验证明,该算法运行速度快,降低了特征维数,并提升了分类器性能。微博中行为特征的多样性造成检测特征有限,垃圾用户可利用工具躲避已有检测特征。针对这一点,本文研究了垃圾用户的基于用户状态特征以及基于历史微博特征的躲避策略,分析出了垃圾用户通过购买粉丝、大量发布微博、混合微博以及发布不同结构的微博来躲避检测。深入分析这些躲避策略设计了基于图、基于邻居以及基于时间的新行为特征作为垃圾用户的检测特征。通过与其他特征集相比较,本文新设计的特征稳定性好,特征排序较高,难以被垃圾用户躲避,有助于微博垃圾用户检测。