如今,人们越来越习惯于通过各类社交媒体平台来获取资讯和参与网络互动,与此同时包含着文本、图片和视频等多媒体用户生成数据的总量也在飞速增长。新浪微博平台就是当前最流行的网络社交平台之一,数以亿计的用户通过关注和被关注在网络上形成了新的社交网络,这使得一个人所发表的言论很容易经过转发被更多人所看到。与此同时,谣言也伴随着人们在平台上的社交活动,打破地理局限性进入到了网络空间中。每个人皆可随时随地创作的网络环境使得谣言的创作成本极低,并且泛滥的谣言也正不断恶化网络环境,给个人乃至社会造成混乱。然而人为对数量巨大的微博进行鉴定费时费力,所以如何有效进行自动谣言检测,有其重要的社会价值。谣言检测的主要任务是指通过对一条微博的内容进行分析,判断其为谣言的概率。然而在已有研究中,绝大部分的工作都是基于微博的文本或者上下文来进行的,仅利用视觉数据的来完成谣言检测的研究很少。但在实际生活中,无论是谣言还是非谣言的微博中都常常包含图片,甚至有的谣言仅依靠图片就能传播,这是因为图片有其直观的表达能力。因此本文旨在利用图片特征,在新浪微博平台上进行谣言图片检测任务。谣言图片检测任务的核心问题在于如何在仅有图片的情况下充分利用图片特征,以让模型能够更好地识别谣言图片。针对这个问题,本文提出了“图像自概念”特征,使检测模型能结合图中的视觉概念与文本概念对图片进行理解。除此外,本文还对谣言图片进行了多角度的分析,从中挖掘出可用于谣言检测的特征,并采取不同的融合策略对特征加以融合,使用神经网络模型进行分类,进而完成对一张图片是否属于谣言的判断。在提取特征中,主要涉及领域为图像目标检测、光学字符识别、词嵌入和离散余弦变换。本文在新浪微博谣言数据集中进行了实验,相比于基线获得了更好的谣言图片检测结果,并从准确率等指标中验证了本文所提出特征及模型的有效性。