在线评论在电子商务中具有重要作用。不仅用户在购买产品之前需要查看相关的评论,而且在线评论也直接影响商家的声誉和盈利水平。随着电子商务的迅猛发展,虚假在线评论日益增多,严重地干扰了消费者的购物决策,污染了公平的电子商务环境。尽管已有大量的虚假评论检测方法,但是检测结果并不令人满意。首先,虚假评论的特征表示不够丰富,没有充分利用评论的多模态特征,而且缺乏检测结果可解释性;其次,评论数据集的正负样本不均衡,严重地影响了虚假评论检测结果;最后,目前流行的自监督深度学习检测方法没有充分利用已有的标签,无法有效区分语义相似但类别不同的虚假评论。针对上述问题,本论文研究了虚假评论数据的特点以及现有的虚假评论检测方法,提出了基于深度迁移学习的虚假评论检测方法。本论文的主要贡献如下:（1）提出了一种基于知识集成的可解释虚假评论检测方法（EKI-SM）,以解决虚假评论特征表示不够丰富、检测结果缺乏可解释性的问题。首先,集成了领域知识以指导虚假评论检测,同时为检测结果提供可解释性;其次,融合多模态特征,采用1D卷积、长短期记忆网络（Long Short Term Memory Network,LSTM）、跳层等方法,学习具有辨识力的评论文本的高维特征表示,有效提升了虚假评论的检测性能;再次,受到可解释性深度学习的启发,EKI-SM能够发现评论文本中的重要词,为虚假评论检测结果提供解释。（2）提出了基于数据增广和模型迁移的虚假评论检测方法（DA-BERT）,以解决评论数据集正负样本不均衡、检测结果精度不高的问题。首先,均衡数据集中的正负样本,利用EDA（Easiest Data Augmentation）和回译这两种数据增广的方法;其次,迁移了BERT（Bidirectional Encoder Representation from Transformers）预训练模型,学习评论中丰富的语义信息,提高模型的检测性能;再次,与最新的虚假评论检测方法进行对比,实验结果表明,本论文方法能够有效地均衡数据集的正负样本,提高预测的准确性。（3）提出了基于微调迁移模型的虚假评论检测方法（CL-BERT）,以解决自监督深度学习检测方法没有充分利用已知标签,无法有效区分语义相似但类别不同的虚假评论的问题。首先,采用BERT预训练模型获取评论的向量表示;其次,利用有监督的对比学习微调模型增强了具有相似语义但类别不同的虚假评论的向量表示;再次,所提方法与传统的深度神经网络模型相比,该方法有很强的分类能力。我们在多个公开数据集进行了大量实验,并且利用多项评价指标进行评价。结果表明,论文提出的一系列虚假评论检测方法具有更优的性能,不仅检测结果达到或超越目前主流的虚假评论检测方法,而且提供了检测结果的可解释性。