近年来,随着社交媒体的兴起,越来越多的人选择借助社交网络来发布和获取信息。许多谣言或不实信息也随之在网络上广泛传播并对群众乃至社会造成了不同程度的影响。因此对社交媒体网站进行谣言的自动检测已经成为一项重要的研究课题,目前的研究都将谣言检测视为分类问题,即通过提取微博/推文在文本内容、用户资料和消息传播等方面的特征,训练监督学习算法得到“谣言”分类器。多数工作仅仅考虑微博/推文在特定时刻下特征的统计数值,却忽略了这些特征在微博/推文传播过程中随时间的“变化趋势”,而这种“变化趋势”往往能为谣言检测提供有价值的信息。本论文针对微博/推文在传播过程中特征随时间变化的趋势,建立了一种新的动态时间序列模型,该模型能对时间敏感的特征进行建模分析。本论文的主要贡献如下:(一)分析谣言和非谣言微博/推文在传播过程中,特征随时间动态变化的曲线所反映出的不同传播模式;(二)将本文提出的动态时间序列模型分别在两个数据集上进行验证,Twitter上的英文数据集和新浪微博上的中文数据集;(三)为验证模型的实用性,本文设定了两种情景:(1)已知特定主题微博的完整生命周期数据,训练“谣言分类器”判断其是否为谣言;(2)已知特定主题微博在其传播早期阶段的数据,本论文将动态时间序列模型应用于对谣言的早期发现。两组实验结果都表明了动态时间序列模型的有效性。(四)将本文提出的谣言检测分析方法应用于Twitter的情感分析任务中,得到了良好的实验结果。