随着时代飞速发展,社交平台已经成为了人们重要的信息发布和信息获取渠道。社交平台给人们带来了很多便利,但是社交平台也让谣言数量和传播速度都大大增加,大部分网民无法对这些信息辨别真假,给社会造成不小的危害。面对大量谣言的飞速传播,如何自动识别谣言,降低谣言对社会造成的危害显得尤为重要。因此,为了能够自动识别谣言信息,本文从情感特征分析和时序特征分析两个角度出发,分别设计了基于情感特征分析的谣言识别模型和基于时序特征分析的谣言识别模型,并在此基础上设计了多种特征融合方式的谣言识别模型,针对每个模型做出实验分析。本论文的主要工作如下:（1）针对BERT模型中掩盖语言模型的情感特征损失较大和文本情感词较少的问题,提出了基于BERT的谣言识别模型（LabelBERT）:该模型首先利用情感词典对情感词添加权重,以改进BERT的预训练任务,进而提升模型对于隐式情感特征的提取能力。此外,设计了新的文本情感极性预测任务,加强模型对于文本上下文的情感特征获取能力,同时结合BI-LSTM进行虚假信息识别。（2）针对在情感特征提取过程中,忽略了文本的潜在信息和局部用户信息,以及同一事件内各微博的时序关系问题,提出了基于双层Attention-BIlstm的时序特征分析谣言识别模型（Time series feature analysis Rumor Recognition Model,TRRM）:首先将文本输入第一层Attention-BIlstm得到文本特征向量,利用特征工程提取文本用户特征和事件特征,得到时序特征向量,并将二者进行特征融合得到时间段特征向量。然后将此时间段特征向量送入下一层Attention-BIlstm,学习各时间段之间的隐层特征关系,进而完成对文本数据的谣言识别,最终输出谣言识别标签。（3）此外,对论文中提出的LabelBERT和TRRM两种模型进行融合,并使用了三种特征融合方式,第一种是简单特征融合,将特征向量进行连接;第二种引入了门控机制进行特征融合;第三种是引入了基于通道注意力机制的特征融合方式,使得模型可以对多特征进行权重分配,关注更重要的特征,进而提出了多特征融合谣言识别模型（Rumor Recognition multi-feature Fusion Model,RRFM）。最后,在常用的谣言检测数据集上进行了综合性的实验。结果表明,与其他对比模型相比,结合通道注意力机制的多特征融合谣言检测模型得到的效果更好。