在互联网日益发展的社会,人们愈发倾向于在社交媒体上发表看法和立场,由此而产生的社交媒体文本信息具有重要的研究价值。超大预训练模型GPT-2被提出以来,通过“提示”下游任务来训练语言模型的方法越来越受到研究工作者的关注,它用插入提示模板的方式,将文本分类任务转化为等效的完形填空任务。然而在立场检测任务的研究领域中,还没有基于提示学习的算法出现。立场是文本作者表露出的对于特定目标的认识或处理问题时所持有的态度,现有的立场检测方法主要分为基于机器学习的方法和基于深度学习的方法。提示学习能将下游任务进行结构调整,可以更好地适配预训练模型。现有的提示学习方法无法直接应用到立场检测任务上,这主要是因为（1）现有的标签映射器大多根据人工经验来制定,而立场检测的文本短、内容少,难以总结领域知识,在跨目标任务上表现的尤为明显;（2）目标的背景知识对立场检测十分重要,同时提示学习框架缺少对知识的融合机制。因此,本文基于提示学习分别从同目标和跨目标两个角度,对立场检测任务进行研究。本文在同目标立场检测中提出了基于情感词典的标签映射器和基于同义词典的标签映射器。这两个标签映射器根据给定的标签词,使用情感词网络和同义词网络进行扩充,在模型的训练过程中,按照四种不同的策略进行调整,不断地优化标签映射关系,在模型学习到丰富标签词语意的同时,将标签词语意扰动降到最小,使下游立场检测任务更好地适配上游预训练模型。本文提出的方法策略在公开数据集Sem Eval16上的1macro和1avg指标相较于SOTA模型提升了10.04%和18.05%,在公开数据集P-Stance上的1macro和1avg指标相较于SOTA模型提升了7.80%和7.85%。针对跨目标立场检测任务,本文提出了基于提示学习融合目标概念语意的标签词映射修正方法。该方法借助外部概念图扩充了目标语意,连接不同目标之间的信息,使用提示学习将多个概念所产生的标签词进行融合,学习到关于目标完整的知识。此外,该方法结合句法依存等知识融入到文本表示中,对标签词进行修正,进一步优化了提示学习的分类。该方法在本研究制定的八个跨目标立场检测上的1macro和1avg相较于SOTA模型平均提升为13.19%和10.90%。