微博能让用户快速获取各方面的言论,是国内最受用户欢迎的社交平台之一。微博的时效性、多元化等特点吸引着众多网民,但同时微博谣言也借助微博而迅速蔓延。谣言能在短时间内传播并且范围广泛,造成的各方面的风险也比较大,因此如何有效地识别虚假信息、减少谣言舆论对群众造成的危害等很有研究价值。本文以微博谣言为研究对象,从微博用户、传播和内容三个基础方面提取特征,同时也把微博用户的评论考虑进来,包括:计算微博负面情感评论占比、构建关键词词集计算微博评论质疑度以及不表达观点的转发微博比例,共提取出十四个有效特征。采用随机森林、XGBoost、stacking融合模型对微博谣言进行识别,并结合实际情况,考虑到数据的不平衡性,分别从数据层面和集成采样技术两方面对不平衡的数据进行实验分析。结果表明:与只利用单一分类器相比,stacking融合模型的分类效果有显著的提升,模型准确率达到95.53%。对于微博评论深层特征的有效性,加入微博负面情感评论占比后模型准确度提升0.76%,加入微博质疑度模型后准确率提升2.072%,加入不发表观点转发微博所占比例后模型准确率提升0.3%,说明加入微博评论的深层特征能有效提升模型的谣言识别效果。