新闻资讯在社交媒体平台上的传播速度和扩散范围都是空前的,这也为谣言的肆意传播带来了便利。一些针对性的或故意捏造的谣言可能会挑起民众的情绪,进而破坏网络环境,造成非常不好的社会影响。然而微博上的言论是海量的,人工判断所有谣言的真实性并遏制虚假谣言的传播显然是不可能的,因此需要自动化的技术和模型来对微博谣言进行分析,进而完成谣言真实性的判定。本文主要面向微博平台上的谣言展开研究,涉及到谣言检测任务体系中的立场分析和虚假谣言检测两项任务,分别用以判断用户回复对谣言微博的立场和检测谣言的真实性。文中前两章主要梳理了谣言检测任务体系、介绍了这两个任务的研究现状和基本的应用模型与技术方法。针对现有研究的一些不足,在第三章和第四章分别对立场分析和虚假谣言检测任务提出了新的解决方案:1)面向立场分析任务,本文提出了一个更加简单有效的特征模板。本文首先从经典的文本、用户和传播三个维度,结合常见的已有特征和针对负面类别特别设计的新特征,构建了一个完整的特征模板。通过对所有特征进行统计分析和实验分析两方面的筛选,提取出18个真正有效的特征,将特征模板的规模大幅度缩小。在此基础上,结合传统机器学习模型,该特征模板有效提高了模型的分类效果,其中逻辑回归将分类的宏平均F1值提高到57.4%。此外,针对样本数量少、难以检测却有重要意义的两个类别,一些特别设计的特征表现出了很好的效果。2)面向虚假谣言检测任务,本文提出了一个状态独立的增量式检测模型。根据微博事件传播过程中回复和转发的生成时间,模型首先引入突发事件检测领域的Kleinberg算法,识别事件在每个时间点的突发状态,并依据状态发生变化的时间点将事件分割为连续的子事件。这保证了子事件切分符合传播变化规律,且子事件内部的推文所处状态相同。随后,沿谣言传播的时间线,模型独立地为每一个子事件训练编码器,并将其编码与前序子事件的编码融合后完成预测。这使得模型可以在每个子事件上进行独立地、增量式地训练和预测。实验证明模型显著提高了谣言早期的检测准确率,其性能也可以随事件的推移取得不断提升。