随着移动设备的全民普及,热点新闻获取的渠道从原先的电视广播和报纸转向了手机和平板,移动设备上的社交平台也成为了用户分享和传播新闻消息的主要渠道。由于缺乏有效地监管,以及用户对于追热点消息存在时间差。不法份子借此肆意地在社交媒体上制造并传播谣言信息。近年来,在社交媒体上传播谣言已被视为一个严峻的问题。因此,本文的研究是为了能够及时地高效地鉴别社交媒体上的信息。文本语义是社交媒体谣言检测的主要领域。伴随着深度学习在不同领域的探索与发展,基于改进神经网络与其变体的谣言检测方法成为主流。现有的谣言检测方法广泛地采用循环神经网络及其变体,如门控循环单元和长短期记忆网络。而大量神经元的循环会导致模型并发性能显著地下降,这意味着增加了时间和资源消耗。此外,无法有效地捕获全局文本语义特征是循环神经网络的劣势。本文提出了一个由多层Transformer编码块融合的检测谣言模型。Transformer编码块中的自注意力机制能够为所模型提供了更好的并发性。在此基础上,通过视觉Transformer学习谣言事件中的图像特征,通过将图像特征与文本特征相融合提出了基于多模态深度学习的谣言检测方法,该模型能够利用谣言的文本信息和图像信息,进一步提升谣言检测的正确率。除此之外,社交媒体谣言在社交平台上的传播过程是基于社交网络的。本文利用了图神经网络对谣言的传播特征进行研究,通过自顶向下,即谣言信息源朝谣言信息传播个体,及自底向上,即谣言信息的传播个体向谣言的双向传播特征进行学习,提出了基于图Transformer神经网络的谣言检测方法。在与现有的基于文本语义特征的、基于融合多模态的特征的以及传播特征的谣言检测模型实验比较后,本文提出的模型优于所有的基准系统,证实了文本提出的三个模型的有效性和合理性。本文的研究能够准确地、及时地发现谣言,能够对净化网络环境起到一定的作用。