随着互联网的日益普及,互联网已经成为广大人民获取新闻咨讯的主要途径。同时,社交媒体平台在使用上具有很大的便携性,使得任何一个使用互联网设备的用户在阅读资讯内容的同时,可以随意发表自己对事件的观点和感受,这造成了一个信息爆炸的局面,在社交媒体平台上每一分钟都有大量的信息发布,而且信息的传播速度极快,很快会被大量转发。在海量的信息中,包含大量的不实信息,这些不实信息带来的影响经常是负面的,给社会秩序和舆论带来的影响,甚至造成社会的不稳定。因此,对于社交媒体上的新闻进行真伪的识别对于企业以及政府部门来说尤为重要。本文在对自然处理相关理论包括自然语言处理的基础模型、词向量模型、注意力机制等理论方法介绍的基础上,首先分析了循环神经网络（Recurrent Neural Network,RNN）模型在长序列的处理过程中存在梯度不稳定以及对较早时间步的输入信息不能很好地兼顾等问题,引入了一定程度上能弥补RNN模型缺陷的长短期记忆神经网络（Long short-term memory,LSTM）模型和LSTM模型的变体门控循环单元（Gate Recurrent Unit,GRU）模型,提出并建立了一种基于线性的双向LSTM（Bi-LSTM）的深度学习模型,分别从微博内容和微博评论进行特征提取,结合集成学习的思想将这两部分特征进行融合,同时用双向GRU（Bi-GRU）模型进行对比实验。接着分析了线性模型不能很好地学习到自然语言文本中的语法结构特征,因此由句法分析相关理论技术引入了能更好地学习到句子当中语法结构特征的树形长短期记忆神经网络模型,提出并搭建了一种基于Child-Sum Tree-LSTM的模型,通过实验验证了模型的可行性和优势。进一步地,加入注意力机制（Attention Mechanism）,以快速提取数据中有价值的信息、提升模型的训练速度和准确率,通过实验对比发现这种Tree-LSTM结合Attention机制的模型更具有效性,最后以此模型为基础设计并实现了一个基于LSTM模型的虚假新闻检测系统。