随着以Twitter、新浪微博为代表的微博社交媒体的普及,社交网络上信息的真实度问题变得越来越严重。其中网络谣言的传播不仅会给人们造成恐慌情绪,还会影响微博社交媒体的安全。因此,面向微博社交媒体的自动谣言检测研究正受到越来越多研究者的关注。本文以微博社交媒体平台Twitter为应用背景,深入研究了谣言检测的问题。通过研究发现,传统的基于特征的方法大多都是从虚假消息、消息的作者及其响应的统计信息中提取特征并进行谣言检测。然而,这些方法在很大程度上忽略了与消息传播相关的结构信息,从而导致谣言检测的时间复杂度高,准确率低。因此,本文开展了基于传播树结构的微博谣言检测关键技术研究,研究具有更高准确率和效率的谣言检测方法。本文根据立场特征提出了基于立场一致的谣言传播树结构优化算法,将立场一致的节点通过广度优先、深度优先或广度和深度优先相结合的方式合并成超节点,以减少传播树结构中的分支数和高度,并将此算法与基于树结构的自顶向下的递归神经网络模型相结合。该算法解决了现有的基于传播树的谣言检测方法中存在的传播树结构的复杂性导致大规模谣言检测性能较低的问题。实验结果表明,本文提出的基于立场一致的谣言传播树结构优化算法在确保谣言检测准确率的前提下,提高了谣言检测的性能。本文提出了基于传播树的门控递归单元优化算法,通过计算每个节点特征向量表示减少了特征提取过程中特征信息的丢失。该算法解决了现有的基于传播树的谣言检测方法在使用门控递归单元模拟传播树中高度差较大的节点的交互过程时,节点的重要特征信息在特征提取过程中存在丢失的问题。此外,本文还提出了基于传播树的路径选择算法,解决了由于特征信息增加导致门控递归单元优化算法计算时间复杂度增大的问题。实验结果表明,本文所提出的结合路径选择算法的门控递归单元优化算法在谣言检测的准确率和性能方面都有了较大提升。