随着web2.0时代的到来,社交媒体开始在社会生活中流行开来。作为社交媒体的一种,微博依靠其巨大的用户基数和强大的用户粘性成为了当下社会的重要信息源。巨大的用户基数和快速的信息传播速度使得微博平台的谣言能够对公共安全构成极大的潜在危害。适应微博平台的特异性,探究出针对微博平台的谣言检测方法具有重要的现实意义。为了实现微博平台的谣言自动检测,大量的谣言检测方法被提出。已有的谣言检测方法主要分为基于特征集的检测方法和基于深度学习的检测方法两种。基于特征集的谣言检测方法需要人工抽取特征集,人工成本巨大,且无法有效抽取高维抽象特征;基于深度学习的谣言检测方法则没有充分利用到立场信息对谣言检测的指示作用。立场信息是重要的谣言检测特征,根据现有的研究,和真实话题下的用户立场相比,谣言话题下的用户更倾向于持有质疑和反对的立场,这是群体智慧的体现。为了充分利用用户的立场信息,本研究首先进行了基于统计的和基于特征集的立场信息有效性的验证。基于统计的立场信息的有效性验证通过对真实数据进行统计分析,得出立场信息在谣言和非谣言事件中的分布是不同的,进而得出立场信息可作为谣言检测的特征的推断;基于上述推断,本研究又提出了包含立场特征的特征集,和不包含立场特征的特征集进行基于SVM的谣言检测性能对比,实验验证了立场信息的有效性。经过立场信息有效性验证后,本研究着手进行了基于立场挖掘的微博谣言检测算法的研究与实现。首先提出了基于CNN-GRU的立场挖掘模型,充分提取微博文本中的语法立场特征和事件相关立场特征;然后在立场挖掘模型的基础上提出了通过构建混合特征向量进行立场挖掘的融合立场挖掘的微博谣言检测模型,此模型充分挖掘了立场特征和谣言特征,并提出了合理的整合方式构建混合的特征向量,实现了高效的谣言识别。最后,为了更有效地利用立场信息中的高价值信息,提高谣言检测模型的性能,本研究又提出了基于混合立场注意力的微博谣言检测模型,通过引入Attention机制,提高谣言检测模型的性能。基于CNN-GRU的立场挖掘模型和现有的立场挖掘模型相比,在异事件立场挖掘实验中获得了更优的性能;融合立场挖掘的微博谣言检测模型与基于混合立场注意力的微博谣言检测模型和现有的谣言检测模型相比,拥有更优的谣言检测准确率和更好的早期检测性能。