Web2.0技术的发展使得社交网络上信息数量呈指数级别增长,其中谣言信息数量也在激增,谣言对网络秩序和社会稳定造成了严重影响。进行谣言检测可以合理引导网络舆论并对网络环境进行净化,有利于社会稳定。现有研究大多侧重学习谣言信息的统计特征,如文本中词的数量、字符的数量等,但并未考虑信息在传播过程中的动态变化,即特征随时间变化的规律。此外,谣言检测研究已经从传统的基于单模态数据的研究演变为更复杂的基于多模态数据共存的研究。然而现有的研究大多只关注文本内容,忽略了图片中蕴含的信息以及图片和文本之间的关联。因此,研究信息动态变化的过程以及挖掘多模态数据间的关联对提升谣言检测性能具有重要意义。本课题对社交网络中的谣言检测方法进行研究,该研究课题依托于北京市教育委员会的科学研究与研究生培养共建的科研项目——基于社交感知的跨媒体数据分析与挖掘研究。本论文在信息动态变化和多模态数据共存两个场景下对谣言检测进行研究,主要的研究内容与创新成果包括:1.针对谣言检测中用户发布的信息随时间动态变化导致仅依靠统计特征存在片面性的问题,本文提出一种基于动态信息嵌入的谣言检测方法。利用循环神经网络(Recurrent Neural Networks,RNN)对谣言时间序列进行建模并学习谣言信息不同时间阶段的依赖关系,从而发现随着时间变化谣言区别于非谣言的显著特性。首先,利用注意力机制(Attention Mechanism)区分不同时间点对谣言向量表达的重要程度,提出一个基于动态时间序列的谣言检测算法。然后,考虑到局部信息交互能够在判断不同时间信息重要程度时提供重要信息,进一步提出一个基于局部特征的动态时间序列谣言检测算法。最后,在新浪微博谣言数据集上的实验表明,本文所提算法将谣言检测精确率提升近4%。2.针对谣言检测中多模态数据共存场景下单模态内容稀疏性问题,本文提出一种基于文本和图像信息融合的谣言检测算法。为了解决单模态内容稀疏性的问题并充分挖掘谣言信息不同模态之间的关联,本文构建了一个基于文本和图像信息联合学习的网络模型。该模型包括基于FastText网络的文本内容理解,基于深层CNN的图像视觉特征抽取,文本和图像的融合表示学习三部分。首先通过基于FastText网络的文本内容理解和基于深层CNN的图像视觉特征抽取部分分别提取文本特征和图像特征,然后将获取到的文本特征和图像特征以及他们之间的关联程度进行融合表示学习得到最后的二分类结果。在新浪微博基于文本和图像两个模态的谣言数据集上实现了近3%的精确率提升,验证了结合不同模态信息对于社交网络中谣言检测性能提升的重要意义。