伴随信息革命的飞速发展,人类社会发展进程与速度正在被深刻影响,人们的生产生活方式正在被全面改变,人们的生活已经被在线社交媒体全面占据。然而,信息传播的便捷和低成本导致社交媒体上充斥着大量的谣言信息。谣言的泛滥影响了人们的日常生活,损害了社交媒体平台的公信度,造成了社会秩序的慌乱。如今,谣言泛滥造成的社会影响以及谣言检测的研究价值也引起了学术界的高度重视。尽管近几年谣言检测技术已经取得突破性进展,但是在谣言检测领域仍然存在诸多挑战。首先是谣言检测领域现存的研究数据数据体量小,数据老旧过时,已经无法满足现有的谣言检测研究。其次,目前的谣言检测方法对于现有数据的利用效率低,不能充分挖掘现存数据的最大价值。最后,谣言检测领域对于无监督方法的研究较少,效果较差,因此如何提升无监督谣言检测方法的效果也是一个值得研究的问题。针对以上难点,本文分别展开了研究,并取得以下几点研究结果:1.构建中文微博谣言数据集:本文收集来自中文社交媒体平台——“微博”上的谣言和非谣言数据,构建了一个最新的中文微博谣言数据集（Chinese Weibo Rumor Dataset（CWRD））。该数据集包含26176条谣言微博和35429条非谣言微博,总共包含61605条微博。在此基础上,本文后续的谣言检测工作均在该数据集上展开实验研究。2.基于数据增强和用户建模的有监督算法:本文提出了一个基于数据增强和用户建模的有监督谣言检测算法。本文使用通过基于词语替换的增强、基于回译的增强以及基于相似句生成模型的增强三种增强方法,生成了不同的增强数据。与此同时,针对谣言本身数据的特性,本文对用户的信息进行建模,然后将谣言的文本信息和用户的建模信息融合。实验证明该方法有效提升了谣言检测模型的检测效果以及增强了模型的泛化性和鲁棒性。3.基于对比学习的无监督聚类算法:本文对于谣言检测在无监督领域的研究进行了创造性的探索,并且提出了一种新的端到端的无监督谣言检测聚类算法。该算法基于对比学习的基本思想,利用文本数据增强构建对比学习所需的正负样本对,利用对比学习优化谣言文本的表征向量。然后,通过联合训练对比学习和聚类学习,达到更强的无监督谣言检测效果。通过实验证明,本文提出的无监督谣言检测方法达到了更好的效果。