目前,网络平台层出不穷,用户量和信息量都呈现爆炸式增长。网络平台门槛低、管理宽松,给垃圾用户的出现创造了有利的条件。平台中的垃圾信息,在给正常用户造成困扰的同时增加了网络负担,检测垃圾用户已成为网络空间安全领域关注的热点话题之一。因此针对目前垃圾用户检测的优缺点,提出基于符号网络的垃圾用户检测方法,主要工作如下:（1）首先对垃圾信息以及垃圾用户进行了分析,同时介绍了节点间距离度量的方法,并总结了文本聚类的相关算法。详细介绍了文本聚类算法中的密度峰值聚类算法,并对符号网络的相关基础理论以及相关应用进行了阐述。（2）根据微博文本中关键词的语义特征提出了基于共邻居的文本密度峰值聚类模型。首先采用分词系统、TD-IDF、word2vector等技术实现文本向量化;然后,利用信息熵选取适量评论区内容来缓解文本稀疏性带来的类簇内相似性不高、类簇间差异不高的问题;其次,定义共邻居度量用户密度以反映用户真实的邻居数目;最后,在根据γ值完成初步聚类的基础上运用模块度增量,提高文本聚类准确率。在公共数据集以及爬取数据集上的实验结果表明,DPTCCN算法实现了文本聚类的自适应,且稳定性和准确率等方面较其他文本聚类算法效果更佳。（3）面对微博垃圾信息越来越隐藏化等问题,在对文本内容完成话题聚类的基础上,提出基于符号网络的垃圾用户检测模型。首先,在话题中定义话题距离和话题博文重复度作为检测中的一部分文本特征;其次,基于共邻居定义了综合考虑节点正链接和负链接邻居的节点间相似性,从而预测节点间存在链接的概率;第三定义节点正密度与网络正密度,进一步从局部与全局角度完成用户节点间符号的预测;最后综合考虑目标点与邻居节点的符号关系和链接概率识别目标点的类型,完成目标点用户类型的识别。实验结果表明,该算法可以有效的检测垃圾用户,在准确率与稳定性上都有较好的表现。