社交网络作为信息时代的一种新兴媒体,已逐渐占据人们的生活,并逐步取代了传统媒体作为人们获取信息的主流地位。但社交网络的实时动态性在带来信息高速流通的便利的同时,也成为了虚假信息诞生以及传播的温床,影响了人们的正常生活以及社会秩序。如何从社交平台上的海量信息中快速准确地分辨出真假信息,以阻止虚假信息的传播,已成为近年来众多学者的热点研究课题。本文选取国内最大社交平台“新浪微博”的博文数据,从时间和空间维度对新浪微博的信息事件传播过程进行分析,挖掘不同模式下特征的变化,并针对不同的传播模式提出了不同的建模方法。提高了微博虚假信息检测的性能。首先,针对信息事件时序传播模式,使用长短时记忆神经网络进行建模,挖掘特征随时间的变化;同时,为了充分利用信息事件源的文本内容特征,使用卷积神经网络挖掘其高阶语义信息。基于此,提出了一种结合长短时记忆网络与卷积神经网络的多模块神经网络检测算法,充分利用长短时记忆神经网络处理时序性问题能力强的特点,以及卷积神经网络在自然语言处理任务中表现良好的优点,同时深入挖掘特征的变化以及信息事件源的文本内容。其次,针对信息事件拓扑结构传播模式,首先研究了信息事件传播树结构对虚假信息检测问题的作用,并在已有算法基础上进行了改进,优化了其对传播树中节点、边的定义,以及严格限制了传播树的简化过程,使得在简化传播树的同时保留传播树原有的情感多样性。另外,针对目前大多数研究工作仅仅使用单一分类模型,研究了在给定信息事件拓扑结构传播模式的情况下,集成学习算法对于虚假信息检测的有效性。