在新冠肺炎疫情等突发公共卫生事件中,各种谣言借助微博、微信、抖音等社交平台在网络上迅速传播,严重扰乱社会正常秩序,并影响社会稳定及抗疫工作的正常开展。因此如何有效识别网络谣言,减少谣言的传播,降低或消除谣言的影响,是突发公共卫生事件发生期间亟需解决的问题。目前,针对网络谣言的识别大多依赖人工筛选、网民举报的方式。然而,在突发公共卫生事件下,由于信息量庞大且繁杂,人工识别方式无法准确、有效地进行谣言识别。迫切需要智能的自动化网络谣言识别方法。为此,本文在国内外网络谣言识别相关文献研究基础上,运用机器学习相关理论,基于突发公共卫生事件下网络谣言的特征,设计了具有先平衡数据集再识别网络谣言的SMOTE-SVM算法,并实证研究了突发公共卫生事件下的网络谣言识别,提出相应的监控及管理建议。具体研究工作如下:（1）研究了非平衡数据集环境对于网络谣言识别的影响,提出了一种网络谣言识别的SMOTE-SVM算法,并通过在不同比例非平衡数据集下网络谣言识别效果的实验,以及与其他机器学习算法的比较研究,验证了该算法的有效性、准确性。（2）在对突发公共卫生事件下网络谣言用户行为、文本内容以及信息传播等特征变量进行筛选的基础上,对于各类特征变量组合开展了网络谣言识别研究。继而给出了突发公共卫生事件下网络谣言识别最优的特征组合。（3）结合最优的网络谣言识别特征组合,采用论文所提出的算法,对新冠肺炎疫情突发公共卫生事件下爬取到的新浪微博数据集进行了网络谣言识别研究,针对识别结果开展了主题分析及社交网络分析,挖掘出网络谣言的传播特征、模式及演化规律。本文针对突发公共卫生事件下非平衡文本数据情景的网络谣言识别研究,丰富了网络谣言识别理论和方法,研究结论及其管理建议对于网络谣言的监管防控具有一定的参考价值,因此本研究具有理论和实际意义。