在高科技的信息化时代,社交网络平台彻底改变了人们信息传播的方式,新浪微博、Twitter等这些网络平台应运而生。人们在社交媒体平台上可以随时随地分享生活、发表自己的意见、了解社会事件,这给人们的生活带来了极大的便利性。但不幸的是,大量的用户在没有仔细核实发布的内容是否真实、客观的情况下随意发布信息和分享意见,使得社交媒体网站上出现了各种各样谣言。这些谣言的产生和广泛的传播,给政治、经济、文化等领域带来了很大的不良影响,导致人们的生活不能正常运行,并且会造成经济上的损失。为了加强对谣言的检测,防止谣言的传播,学者提出了很多关于谣言检测的方法。传统的谣言检测任务是通过人工进行标记,人工成本高。另一种传统的谣言检测任务是基于传统的机器学习模型进行学习,容易过拟合、泛化能力差且只适用于简单文本。而深度学习模型就弥补了上述问题,适用于海量的文本数据自动进行特征提取,降低人工成本且训练简单,所以本文选取深度学习模型作为研究方法。在词向量转化为文本方面,向量空间维度还存在问题。在事件特征方面,现有方法通常只使用时间序列模型来捕捉事件的时间特征,对局部和全局信息的研究还不够深入。本文的主要工作如下:选择词向量模型Glo Ve。谣言数据集存在事件、评论等信息,可以更好地包含文本语义和语法信息。对社交网络谣言文本之间的语序、语义及语法信息,引入超图的思想。根据单词对事件的重要程度,以及字词之间关系远近,使用双重注意力机制,给予各超点和各超边不同的权重,捕获单词的异构高阶上下文信息。基于文本时序的结构特征,本文使用特征金字塔（Feature Pyramid,FP）对多阶段进行特征提取。该模型通过特征金字塔对原帖、回贴、回贴的响应贴等得到文本的时序表征。然后每一层都使用Hyper GAT模型去学习,得到每层Hyper GAT模型学习到的预测结果,最后使用softmax进行融合。进而完成谣言检测任务,实验结果表明该模型提高了文本分类效果。