Web2.0和移动互联网的快速发展为人们提供了方便快捷的信息交流平台,但也降低了谣言的传播成本,提高了谣言的传播速度,对于自动化的谣言检测算法的需求越来越迫切。传统的按照时间序列组织划分谣言,再使用深度模型编码谣言的检测算法丢失了谣言的结构信息。最近的工作提出基于递归神经网络或图卷积网络等深度模型综合编码谣言的文本和结构,有效提升了谣言检测算法的性能。但当前的基于深度模型的谣言检测算法存在以下不足:（1）已有的基于深度模型的谣言检测模型结构复杂,效率低,不够轻量化,难以应对大规模谣言检测的要求。（2）基于深度模型的谣言检测算法在性能上取得了巨大突破,但是并不能为性能提高提供理论上的解释,算法缺乏可解释性。针对上述问题,本文主要研究工作如下:（1）提出了一种基于谣言传播路径编码谣言文本,并基于路径表示增强得到谣言表示的谣言检测算法PPA。该方法首先根据数据集构建谣言的传播结构树,再基于谣言的传播树提取谣言传播路径,以传播路径为基本编码单元而非树节点;其次,PPA模型基于传播路径的属性对路径进行筛选,并使用轻量级模型编码传播路径;最后,在得到谣言传播路径表示的基础上,基于最大池化得到谣言传播结构树的表示并用于分类。在三个公开数据集上的实验表明:文本提出的模型PPA取得了和已有复杂模型相当的优异性能,但是更加轻量化。（2）提出了一种基于神经主题模型增强谣言传播路径表示的谣言检测算法PPA-WAE。该模型首先基于谣言的传播结构树构建无标签的回复路径文本数据集;再引入神经主题模型,基于回复路径文本数据集预训练神经主题模型,分析回复路径中蕴含的情感主题的分布;预训练好神经主题模型后,使用神经主题模型的编码器编码得到回复路径的表示,再联合PPA模型共同训练,进一步提升谣言检测的性能。在四个公开数据集上的实验表明:文本提出的PPA-WAE模型在性能上优于已有的复杂模型,且可以从文本主题的角度对谣言检测性能的提升给出解释,提高了谣言检测算法的可解释性。论文实现的源代码和数据已被公开在https://github.com/zperfet/Path Fake Git。