网络谣言严重影响了网络空间的有序健康发展,及时发现并遏制谣言的传播是重要且亟需的。谣言检测的任务是为了筛选疑似谣言的事件,而当前研究只是粗略地提出了早期检测的概念,尚不存在针对谣言检测阶段的详细划分;而且在不同时期的谣言检测中,还存在早期检测方法精度低、基于局部传播信息的模型检测效果欠佳,缺乏强可解释性和高性能的无监督检测方法等问题。针对上述问题,论文从舆情演化传播的角度展开社交网络谣言检测技术的研究,通过引入舆情传播周期,将谣言传播划分为五个阶段,并分别在萌生期、爆发期、消弭期三个阶段展开研究,分别对应无传播信息,局部传播信息以及全局传播信息三类场景。本文旨在一个传播周期内识别谣言,目的包括早期检测、爆发预警以及复燃遏制,主要工作包括:1.提出了一种基于二元组信息重构的萌生期谣言检测方法。当前萌生期谣言检测局限于自然语言处理技术,重视从文本中提取有效信息来优化检测模型,未能深度挖掘和有效结合用户信息,检测精度低,用于谣言分类的特征表示有待进一步优化。为解决该问题,通过在构造的邻域信息图中执行交叉的信息传递来优化“用户-推文”二元组信息,首先基于邻域信息系统以及两个理论驱动的假设,构造用户以及语义的邻域图关系;然后在两个邻域信息图中交叉传递用户信息和语义信息,通过图神经网络捕获邻域图中潜在的对象关系;最后通过加权集成的方式,重新构造二元组信息,并用于谣言分类。在中文Weibo和英文PHEME两个真实数据集上的实验表明,所提方法在Precision、Accuracy、Recall、F1等指标下优于对比方法。2.提出了一种基于融合静态时空信息的爆发期谣言检测模型。现有的静态图模型只关注谣言传播的空间结构信息或者时序传播信息,未能将两者有效结合,检测效果欠佳。为解决该问题,通过神经网络模型的集成来融合谣言传播的空间结构信息以及时序传播信息,首先提取文本语义信息,分别构造无向和有向传播图;然后通过无向的图卷积网络提取谣言传播的空间结构信息,通过有向的递归神经网络提取谣言传播的时序传播信息,并各自使用不同方式的源节点信息跳跃增强;最后通过加权集成融合静态时空信息,并用于谣言分类。在Weibo和Twitter等数据集上的实验表明,所提方法在Precision、Accuracy、Recall、F1等指标下优于多种先进的对比方法。同时采用了一种新的数据采集指标,除了极大降低了模型的训练时间,在新的采集数据上的实验也表明,所提算法在性能上全面优于其他对比算法。3.提出了一种基于邻域信息传递的消弭期谣言检测方法。消弭期谣言检测追求方法的强解释性和高性能,无监督检测方法成为研究的重点;然而,当前的无监督学习集中于深度学习模型,其可解释性较差且极大依赖于大规模样本数据,而且少量基于数据相关性或先验知识的传统方法也存在检测性能低的问题,缺少可解释性强和检测性能高的无监督方法。为解决该问题,通过在构造的邻域信息图中执行信息的传递来优化对象的重要性评分,并采用基于传播的增强策略提高算法的性能,首先从局部和全局的异质距离角度评估对象的初始重要性,作为对象的初始信息;而后基于混合数据上的邻域关系构建邻域信息图,并执行对象间的信息传递,通过关注邻居间的相关性不断更新重要性评分;最后采用基于传播的增强策略优化评分,通过重要性排序寻找谣言对象。在两个UCI数据集和Weibo真实谣言数据集上的实验表明,所提算法在Top radio无监督指标上优于多种对比算法,并且增强策略有效提升了无监督方法的检测性能。