新闻是人们获取信息的重要途径,但是新闻中常穿插着假新闻进行传播。近年来随着互联网的发展,假新闻传播变得更加猖獗,因而假新闻检测成了一项迫在眉睫的研究任务。目前为止,共分四个方向对假新闻进行研究,分别为基于知识库、基于行文风格、基于立场以及基于传播途径。在社交网络上,假新闻为吸引流量和引导舆论方向,常使用有着明显差异的行文风格特征,基于这些差异性的行文风格特征已产出一定的研究成果,传统的基于行文风格特征的方法是将新闻文本作为一个文本分类问题,并将其拆分为特征工程和分类器两部分。而现有方法在特征工程构造过程中,存在以下两个问题:第一是对行文风格特征的选择不完整。现有做法,一般选择文本关键词和符号等部分行文风格特征,而忽略其他行文风格特征;第二是未考虑行文风格特征类型的多样性。行文风格特征类型繁多,每种特征对假新闻检测的重要程度都不尽相同,但是相关研究方法并没有考虑此类问题,而是直接使用统计学方法进行统计然后建模。这类模型虽然融合了行文风格特征进行研究,但是并不能发挥各种特征对假新闻检测的最大优势。目前为止,假新闻检测方法已取得一定研究成果,但是很少有检测工具落地。针对行文风格特征选择不完整的问题,本文采用统计学方法进一步挖掘了其他对假新闻检测有效的行文风格特征。针对未考虑行文风格特征种类多样性的问题,本文研究了各种行文风格特征的属性,并根据各自的属性将行文风格特征按词维度、句维度和篇维度进行分类,再结合文本语义信息来研究行文风格特征与假新闻之间的关系,提出了一种基于多维度行文风格特征的假新闻检测方法。在模型构建中,使用Text-CNN模型提取语义信息,加入Attention机制给各个维度的行文风格特征进行加权,以此来表示每种行文风格特征对假新闻的重要程度,使得更加合理的对假新闻进行预测。该方法在weibo数据集上取得较好的实验结果,F1值为86.95%。针对前序方法中存在的检测模型单一、句维度中没有考虑句子的上下文信息等问题,本文在基于多维度行文风格特征的假新闻检测方法的基础上,给出了基于混合特征的多通道假新闻检测方法。该方法借鉴了多粒度图片特征提取思想,将假新闻文本按字、词和句这三个粒度进行划分,然后使用多通道神经网络分别提取各粒度语义信息特征。在句粒度特征提取中,加入Bi-LSTM提取句子的上下文信息。然后使用基于DCA算法的融合方式将各粒度语义信息特征进行融合。该方法在weibo数据集上取得89.89%的F1值。针对假新闻检测工具落地不足的问题,本文在基于混合特征的多通道假新闻检测方法基础上,设计并实现了一个面向假新闻的自动检测工具。该工具使用基于Python的Flash轻量级Web框架进行搭建,并使用My SQL数据库进行数据存储。经过需求分析,主要设计四个功能,分别为假新闻检测、谣言线索提交、热点新闻展示以及其他辟谣平台入口。