随着智能终端设备和移动互联网技术的发展,在线社交网络平台为人们分享和获取信息提供了更加便利和迅捷的渠道。但网络中的信息质量良莠不齐,各式各样的虚假信息被肆意传播,给人民生活和社会安定带来了极大的负面影响。由此,面向社交网络的虚假信息检测研究应运而生,旨在利用虚假信息扩散的种种迹象,实现及早检测社交媒体中隐藏的虚假信息。目前,已有的研究主要从信息扩散的整体过程着手,挖掘虚假信息传播上下文中潜在的异常性特征。大部分研究者倾向于利用社交媒体中微博之间的时间序列关系,将信息传播过程建模为序列结构,但此类研究大多仅仅考虑了微博的文本内容,难以适用于虚假信息发布者人为操控下的转发和评论助推情况,比如雇佣网络水军参与微博转发或删除不利评论等,因而无法有效实现虚假微博检测。此外,此类研究忽视了微博之间的直接语义交互关系,忽略了信息传播过程中的结构信息,最新研究已开始重视传播结构的重要性,大多采用递归神经网络对传播过程进行特征学习,但是由于递归神经网络结构的限制,目前的研究方法计算效率低,并且存在对长期依赖难以学习的问题。针对已有研究中存在的不足,本文将着眼于微博传播的演化过程,提出基于传播树的虚假微博检测模型。本文的具体工作如下:首先,基于Scrapy框架通过新浪微博平台获取了真实的包含虚假微博和正常微博的数据集。根据微博管理平台提供虚假微博公告,分别对虚假微博和正常微博进行数据获取,并针对微博原始语料中存在的缺陷,完成数据预处理工作,构建真实可靠的实验数据集Mis Infdect。通过分析数据集的相关分布特征,验证了数据集作为虚假微博检测研究的有效性。其次,提出了一种基于传播树的虚假微博动态演化特征分析方法,分别对传播树结构以及微博信息的时序关系提出了形式化表示方法。针对已有研究难以挖掘传播过程的深层结构特征,进而无法描述传播结构的时间演化规律问题,本研究从分析传播结构和演化时序角度出发,构造传播树结构序列,使用传播树转换和子树分解的方法挖掘传播树演化的细粒度结构特征,并在此基础上,提出了融合微博内容的时序关系和用户属性特征的Co-Attention机制。通过构造微博分类模型,与已有相关虚假微博检测模型进行实验对比,验证了本文基于微博动态演化过程,提出的动态传播结构特征和内容时序特征表示方法的有效性,表明了虚假微博传播结构的动态演化特性,以及传播内容与用户属性的内在关联性。接着,提出了基于交互关系上下文的虚假微博检测模型（Tree-Transformer,Tree-TF）。针对虚假信息的及早检测问题,从研究传播过程中交互关系的动态演化角度出发,将传播树的结构信息映射到Transformer模型的交互机制中,构造了一种Tree-Transformer框架,并设计Masked Multi-head Co-Attention机制,实现微博交互关系约束下的用户属性和微博内容的特征融合,在传播树结构中首次融合用户属性特征,提出了基于TreeTransformer的虚假微博检测模型。最后,本文基于Mis Infdect数据集以及公开数据集Rumdect,设计对比实验,验证了模型的有效性。与国际期刊Computer&Security2019和国际会议AAAI2020等最新研究结果相比,本文提出的Tree-TF模型,在两个数据集中均有较好的表现,在公开数据集Rumdect上分类准确率分别提升了1.9%和1.1%。根据实验结果,在微博发布初期,Tree-TF能够达到较高的分类准确率,实现了虚假微博的及时高效检测。论文最后设计和实现了面向社交网络的虚假微博检测系统。本文深入分析了虚假微博传播过程中的各种潜在特征,对信息传播领域的特征挖掘具有一定的应用价值,进而提出的及时有效的虚假微博检测模型,可以帮助相关的微博类平台完善虚假信息检测机制,实现虚假微博及时预警和防治。