社交网络的蓬勃发展,传播模式的多样化使得信息交流更加便捷,信息数据量更加丰富,人们不再仅仅是信息的接受者,同时也成为了内容的创作者。然而,参差不齐的用户数据给社交监管平台如何有选择地自动挖掘用户观点带来很大困难,网络谣言的肆虐将会对社会信任体系产生恶劣影响。网络舆情自动谣言检测技术通过对谣言特征的有效学习可以快速地识别网络舆情真假,对预测舆情走势起到指导作用,具有重要研究意义。本文围绕社交媒体平台网络舆情的特点,分析舆情的多种特征在谣言检测中的作用,在基于图卷积网络和图注意网络等新的技术下,研究了网络舆情谣言检测分析方法。主要完成以下研究工作:（1）融合评论的多任务联合谣言检测方法针对目前谣言检测方法主要基于新闻正文本身,同时辅以用户评论特征、传播特征等信息进行判定,检测任务中文本特征不足,用户评论整体质量不高的问题提出一种考虑评论有效性的谣言检测算法,在谣言判定的同时考虑用户评论的有效性,并基于多任务联合学习的方式实现谣言检测。首先将谣言检测任务作为主任务,用户评论相关性检测任务作为辅助任务,然后采用门控机制和注意力机制来过滤和选择有效的用户评论特征。最后基于自我构建的微博谣言数据集实验表明,用户评论的筛选不仅可以提升谣言检测的性能,还能实现用户评论质量的判定。（2）基于异构多图重构卷积的社交媒体谣言检测方法针对当前检测方法过于关注上下文语义信息,很少考虑用户传播对社交媒体的影响,谣言早期传播过程中用户倾向于简单的转发而不留下任何评论。同时多特征融合中特征差异较大且特征学习相对独立且存在特征误差传递的问题,提出一种基于异构多图重构卷积的社交媒体谣言检测方法。首先使用编码器-解码器框架,利用多图卷积编码模块和多图重构解码模块探索文本语义信息和用户传播模式。然后建立决策级检测模块通过多任务学习来平衡全局和局部特征融合过程。在两个公共数据集上的实验结果证明了该方法的优越性和先进性。