微博的出现加快了信息的分享速度与传播速度,人们获取信息的方式更加简单快捷了,但是微博所受到的限制较少以及监管不够导致其谣言的出现和四处传播,对社会造成了严重的负面影响。随着微博的快速发展以及使用人数的不断增加,微博谣言带来的问题越来越严重了,要从微博的大量信息中准确发现谣言是一项艰巨考验。传统微博谣言检测方法主要依靠人工构造特征并使用机器学习的方法实现,但是人工构造的特征对于微博谣言文本的描述是不够准确的,因此引入了深度学习的方法;卷积神经网络等深度学习方法可以自动提取谣言的各种深层次特征,但是存在着主要关注局部特征,对非连续单词之间的特征提取不够的缺陷。因此本文将进行基于图神经网络的谣言检测方法研究,主要贡献如下:（1）提出了基于图卷积网络的微博谣言检测方法,包含微博事件建图、节点信息更新和微博类别识别这三个模块。首先,为解决所有微博事件共同建立整图导致的没能充分利用同一个词在不同微博事件中的作用和测试数据需要在模型训练中出现的问题,在建图模块时为每个微博事件单独建图。然后,为解决仅使用图卷积网络进行节点向量更新时对上下文语义利用不够充分的问题,在节点信息更新模块利用图卷积网络和门循环单元在处理连续和非连续文本的优势,提出了基于图卷积网络和门循环单元的节点向量信息传播模型,使更新后节点向量包含的信息更加丰富。最后,在微博类别识别模块基于注意力机制的多池化方法融合策略融合最大池、平均池和全局池以获取最终的图级向量,有效融合不同节点状态的特征信息,并通过损失函数实现谣言的检测。（2）提出了融合词语义相关性和词语情感的微博谣言检测方法,包括词关联性建图、节点信息聚合层和谣言鉴别层。首先,使用词关联性为每个微博事件单独建图,通过生成词共现图和词语义相关图,有效利用词之间的语义相关信息;然后,在节点信息聚合层通过词语情感得分表引入节点赋予情感权重,充分利用词语情感,并实现词语情感与图神经网络的有机融合;最后,通过谣言鉴别层实现谣言的鉴别。（3）为提高微博谣言检测效率,探究了评论利用时间对检测结果的影响。首先利用微博数据的时间戳获取不同时间段的微博评论;然后通过本文方法进行实验;最后将实验结果进行对比获得了用于模型训练的最佳评论利用时间阈值,充分利用了评论信息并减少了资源的浪费,实现谣言的尽早检测。与其他模型的对比实验结果表明,本文方法在给定数据集上表现优于典型的先进谣言检测方法,证明了本文提出的方法在微博谣言检测领域的有效性。同时,针对词语义相关性建图、图卷积网络和门循环单元融合、注意力机制融合多种池化方式以及为节点引入词语情感得分这些工作,消融实验结果也证明了它们对于谣言检测确实有提升效果。