自媒体时代,每个网民都可以通过网络等途径向外发布事实和新闻。为了博取公众的眼球,假新闻事件层出不穷,不仅会误导不明真相的读者,而且会造成恶劣的社会影响。虚拟社交网络空间不仅成为传播虚假信息、恐怖思想和网络谣言等网络违法行为的中心,还成为某些政治和特殊利益集团进行恶意社会操纵行为的渠道和工具。处在大数据时代,仅靠人力是不可能有效遏制假新闻的泛滥,因此亟需有效的智能检测方式来帮助人们识别假新闻。当前对假新闻检测的研究主要集中在对文本特征的分析,以及基于信息可信度的分类方法上。当前的研究主要存在以下三个问题:首先,长文本特征表示容易因数据对齐而丢失边缘特征,保留的特征也难以保证对分类有效,使得模型难以捕获长距离依赖关系;其次,短文本存在语义稀疏及上下文关联信息缺失问题;最后,难以有效利用评论信息辅助假新闻检测,对评论立场的误判会影响检测效果。这些问题都会导致过拟合和欠拟合问题,为分类器的特征学习带来了挑战。在此背景下,本课题提出一种基于特征提取增强和评论双极论证的假新闻检测方法,用于自动检测假新闻。旨在为人们营造良好的网络环境,也为以后的假新闻检测研究提供参考价值。本文的主要贡献如下:（1）基于数据增强的长文本特征提取网络（Long Text Feature Extraction Network with Data Augmentation,简称LTFE）:设计LTFE特征提取网络,提出一种长文本的特征提取方法,增强分类器对不平衡数据集的特征提取能力。提出一种面向微调阶段的二次遮蔽学习方法（Twice-Masked Language Modeling for Fine-tuning,简称TMLM-F）,既利用注意力机制捕获了长距离依赖关系,也消除了编码器在预训练和微调阶段的学习偏差;提出一种保留边缘特征的数据对齐方法（Data Alignment that Preserves Edge Characteristics,简称DA-PEC）,保留了长文本数据易被舍弃的边缘特征,同时也提高了特征学习的准确性。（2）结合注意力层的双通道卷积神经网络（Dual-channel Convolutional Neural Networks with Attention-pooling for Fake News Detection,简称DC-CNN）:设计一种分类模型,解决了传统卷积神经网络池化层容易丢失局部和全局特征相关性的问题。提出一种结合最大池化层和注意力池化层的双通道池化层,最大池化层保留了模型对于局部特征的学习优势,注意力池化层提高了模型对于文本语义以及全局特征的学习能力。（3）基于评论双极论证框架的影响度聚合算法:设计一种评论信息聚合方法,通过提取评论立场中的有效信息辅助假新闻检测。提出一种重置评论立场的双极论证框架（Bipolar Argumentation Frameworks of Reset Comments Stance,简称BAFS-RCS）,对评论与新闻之间的立场关系进行建模,并通过真假性分析调整框架结构;提出一种评论立场影响度聚合算法（Average Parameter Aggregation of Comments,简称APAC）,通过聚合所有评论立场影响度来修正模型的分类误判,从而提高假新闻检测的准确率。综上所述,本文提出的方法不仅能够提高分类器对长文本和短文本的特征提取能力,同时也能够有效利用评论立场信息辅助假新闻检测,提高假新闻检测的准确率。