随着互联网技术的快速发展,社交网络逐渐成为人们获取新闻资讯的重要来源之一。在带来便利的同时,社交网络也为谣言的危害性传播提供了途径。目前,谣言检测已经成为学界重点研究的课题,而早期检测和精准检测是其关注的两个方面。现有的谣言检测方法通常使用单一模型应对早期检测和精确检测的挑战,这会导致以下问题:第一,现有的谣言检测方法具有评论依赖性,在谣言传播早期缺乏评论数据的情况下,难以做出准确判断;第二,在评论数据足以构筑完整传播结构的情况下,现有的谣言检测方法未能充分挖掘谣言的传播特征,造成检测精度不足。针对早期检测中存在的评论依赖性问题,本文提出基于文本和用户特征的早期谣言检测方法ERD-GAT-VAE（Early Rumor Detection Based on Garph Attention Network and Variable Auto-Encoder）,依靠挖掘谣言文本的深层表征和用户信息进行即时性的初步检测;并在此基础上,结合充足的历史评论数据,提出基于双向传播图的多任务精确谣言检测方法SNRD-BDPG-MTL（Social Network Rumor Detection Based on Bi-Directional Propagation Garph with Multi-task Learning）,该方法能够有效地挖掘谣言的广度和深度传播特征,从而实现对谣言的精确检测。最后,基于以上两种方法,本文设计并实现了社交网络谣言检测原型系统,为用户提供一套涵盖早期和精确检测的社交网络谣言检测机制。本文主要工作如下:（1）针对谣言早期检测中存在的评论依赖性问题,本文提出了基于文本和用户特征的谣言检测方法ERD-GAT-VAE。首先,在不依赖评论数据的前提下,本文提出图注意力依存树模型（Graph Attention over Dependency Tree Model,GADT）用于获取谣言文本的深层表征向量;其次,本文创新性地提出基于变分自编码器的用户可信度评估模型（User Credibility Evaluation Model,UCE）,用于获取用户可信度表征向量;最终融合文本深层表征和用户可信度表征向量获取早期检测结果。实验结果表明,ERD-GAT-VAE方法能够在谣言传播的前12小时内提供较为准确的初步检测结果。（2）针对谣言精确检测中存在的检测精度不足问题,本文提出一种基于双向传播图的多任务谣言检测方法SNRD-BDPG-MTL。该方法首先提出Bi-AEGCN（BiDirectional Attention Enhanced Graph Convolutional Network）模型,用于充分挖掘谣言的传播特征;然后利用ERD-GAT-VAE方法获取的文本和用户表征,结合帖子统计特征,引入立场检测任务作为辅助,从而提高谣言检测的准确率。实验结果表明,SNRD-BDPGMTL方法在准确率和F1值上都获得了较好的效果。（3）基于以上研究,本文设计并开发了社交网络谣言检测原型系统。对于用户自主提交的社交网络帖子,该系统使用统一内容标签（Uniform Content Label,UCL）进行归一化处理,分别利用本文提出的ERD-GAT-VAE和SNRD-BDPG-MTL方法进行早期和精确检测,为社交网络用户提供一套包括早期和精确检测的社交网络谣言检测机制。