随着互联网技术的飞速发展,微博、Twitter等社交网络平台已经成为网民发表意见和获取信息的主要平台。由于社交网络中信息传播速度快、成本低,网民的身份具有虚拟化、隐匿性的特点,为网络谣言的滋生和传播提供了便利条件,网络虚假谣言尤其对国家和社会的安全稳定带来极大危害。采用人工方式识别网络谣言具有成本高、效率低等问题,随着以深度学习为代表的人工智能技术的快速发展,社交网络智能谣言检测领域开始成为研究的热点。本文从上述背景出发,研究基于深度学习的社交网络智能谣言检测技术,主要从谣言真实性判定和早期谣言检测两个方面开展研究工作。由于Twitter中原始推文与回复信息在内容上的表达特征具有较大的差异性,并且两者的内容也都存在数据冗余的问题,影响了谣言真实性判定的准确性。本文针对上述问题,提出了基于深度学习的双引擎谣言真实性判定模型,实现原始推文和回复信息特征提取的差异化处理;此外本文提出了DSA（Double Self-Attention）机制,从句子和单词两个维度同时消除数据冗余。实验结果表明,本文所提出的谣言真实性判定模型具有更高的准确率。强化学习技术是解决网络谣言早期检测问题的有效途径之一,但是围绕早期谣言检测背景,当前的强化学习模型存在忽略状态序列的潜在意义、奖励函数不完善等问题,此外面向早期检测需求的谣言检测模型也存在处理信息单一的问题。本文针对上述问题,提出了基于DRQN（Deep Recurrent Q-Learning Network）的早期谣言检测模型,采用LSTM（Long Short-Term Memory）学习状态序列特征,并从谣言检测的及时性和准确性两方面对奖励函数进行了优化,此外采用本文提出的基于DSA的双引擎模型对现有的谣言检测模型进行了完善。实验表明,本文所提出的早期谣言检测模型中在谣言检测及时性以及检测率方面具有较大提升。