随着互联网的快速发展,各类新闻社交网站、多媒体客户端以及各界代表和部门的公众平台账号成为新兴的信息媒体。相比传统媒体如电视、报纸期刊,人们偏向于在这些新兴媒体上获取新闻,这些新闻媒体平台以其爆炸式的信息迭代速度和惊人的传播速度,使人们进入大数据信息时代,深刻地影响着百姓的生活。由于谣言信息的种类繁多,传播速度很快,民众对新兴媒体的依赖度也高,这就需要加大对网络信息的监管,阻断网络谣言的传播。谣言不仅会影响误导人们的行为,还会危害社会的发展。目前,网络上都有网络警察对信息进行人工审核,但是这种谣言检测方法效率极低,由此,我们需要设计出端到端的有效检测谣言的算法,提高对网络信息的监管能力。目前已有学者提出了一些谣言检测方法,如基于传统的机器学习算法SVM、神经网络GRU等,在谣言数据集中取得了不错的效果。但是这些算法在本质上忽略了信息的传播状态。网络谣言在传播过程中会人为的增删和替换信息,具有迷惑性,一条网络谣言在不同的时间段往往有不同的版本,这对现有的谣言检测算法提出了挑战。谣言关键特征的提取以及提高谣言检测模型泛化能力是目前需要解决的重点。针对以上提出的问题,本文展开了如下研究,本文的主要工作如下:（1）提出了基于生成对抗网络的文本谣言检测方法。该方法采用文本生成器和文本分类器作为该模型的网络结构,其中,文本生成器采用SeqToSeq模型来实现谣言文本的序列生成,模拟现实生活中谣言在传播过程中出现的特征修改或增删情况,能够更好地提高谣言文本分类器的鉴别能力。文本分类器采用带注意力的长短期记忆网络结构,针对不同长度的谣言文本,能有效提取其特征并进行分类。（2）提出了基于自注意力机制的生成对抗网络文本谣言检测方法。在谣言检测模型中,需要对谣言文本进行特征提取和文本生成,Transformer网络模型与SeqToSeq模型相比,在特征提取上优势明显,通过多头自注意力机制能更好的提取序列的词与词、词与句子的关系。因此,文本谣言检测模型将文本生成器改造成基于自注意力结构的网络模型,更好的提取文本特征并生成近似样本以健壮谣言分类模型,提高文本谣言检测模型的泛化能力。（3）进一步验证了基于自注意力机制的生成对抗网络文本谣言检测方法对早期谣言检测的作用以及其鲁棒性。将该方法在不同数据集的检测准确率与其他方法进行对比,实验结果验证了该方法在早期谣言检测任务的表现优于其他方法。（4）进一步验证了自注意力机制对生成序列的影响。本文以新浪微博和Twitter为研究平台,将自注意力机制生成的序列与SeqToSeq网络进行对比,进一步证实模型的可靠。同时,自注意力结构也提高了文本谣言模型的谣言检测能力。