谣言一般被定义为广泛流传但未经证实、真伪性难以辨别的信息。移动互联网的飞速发展使得社交媒体成为了人们获取信息的主流平台。但是社交媒体的开放性、即时性、互动性也导致虚假谣言的广泛传播,给个人、社会和国家都带来了不良的影响。社交媒体谣言的特点是会引发大量用户评论,这些围绕谣言的讨论以树形对话结构的形式出现。针对社交媒体文本数据,如何从大量的对话中对谣言进行判别已成为一项艰巨的挑战。传统的基于特征工程的机器学习方法使用人工构建的特征来训练有监督的分类器,但是该方法过度依赖于手工特征,模型泛化能力不强;基于神经网络的深度学习方法克服了该缺点,具有自动提取特征的能力,但以往的模型并没有考虑到树形对话文本的双向传播结构。而且现有的研究表明用户立场对谣言的判别有一定的参考意义,传统的深度学习方法没有将用户的立场特征动态地融入到谣言判别模型中。基于以上缺点,本文提出了两种融合用户立场的谣言判别模型,本文的主要贡献包括:（1）设计了一种基于双向树形神经网络的语义编码器来建模谣言相关的对话树结构,并通过不同的交互作用函数融合自底向上和自顶向下两个方向的传播信息,以增强每个节点的语义表示。（2）双向树编码器仅提取出对话树分支内的局部时序信息,为了提取出对话的全局时序信息,在下游模型中引入了一个单向的循环神经网络来对输入特征重新排序。（3）为了更有效地提取用户立场,设计了一种带有局部推理过程的立场检测模型,以增强用户评论与谣言之间的语义联系。（4）设计了两种融合用户立场的谣言判别模型:流水线模型和多任务联合模型。其中,流水线模型首先对谣言立场检测模型进行训练,得到预测的用户立场标签,然后将标签嵌入到谣言判别模型中。多任务联合模型使两个任务共享一个双向树编码器,并利用多层联合机制进行交互,通过联合损失函数同时训练两个任务。对比实验结果显示,本文提出的融合用户立场的谣言判别流水线模型和多任务联合模型,在两种Twitter数据集Sem Eval-2017和PHEME上,相比于对应训练设置（单任务＆流水线设置和多任务联合设置）中的最先进模型都获得了最佳的表现,并且证明了多任务联合模型的优越性。最后,详细的消融实验和模型分析也证明了双向树编码器、带有局部推理模块的立场检测模型、动态的用户立场特征、全局的时序特征等对谣言的真实性判别皆有提升效果。