社交媒体上的虚假新闻对于社会而言是一项重大挑战。虚假新闻可以定义为通过篡改文本、图片、视频、音频等模态内容有意创造的信息,以欺骗或误导读者。虚假新闻的大肆传播不仅会对社会产生负面影响,甚至会操纵重要的公共事件。因此,如何有效检测社交媒体平台所传播的虚假新闻成为了亟待解决的重要难题。随着近年来人工智能技术的飞速发展,深度神经网络结构可以自动地抽取模态关键特征,研究者们开始将深度学习技术应用于虚假新闻检测任务。尽管现有研究已经取得了一定的成果,但仍存在以下不足:第一,很少有研究系统性地探究基于传统神经网络表示模型和基于Transformer架构的预训练模型在虚假新闻检测任务上的性能差异;第二,现有的一些多模态虚假新闻检测模型仅进行了图文特征之间的简单融合,而忽略了不同模态之间信息冗余的现象。针对以上两点不足,本文从以下三个方面开展工作:（1）针对现有研究很少系统性地探究传统神经网络模型和基于Transformer架构的预训练模型在虚假新闻检测任务上的效果差异问题,本文分别开展了基于文本单模态和基于图片单模态表示下的虚假新闻检测研究。具体而言,对于文本表示虚假新闻检测任务,本文分别选用了Bi LSTM、Text CNN、BERT和ALBERT模型;对于图片表示虚假新闻检测任务,本文分别选用了VGG19、Res Net101、Vi T和Dei T模型。随后,本文在Weibo、Politifact和Gossipcop数据集上进行的大量对比实验结果表明,对于新闻中的文本或者图片信息,基于Transformer架构的预训练模型均可以更有效地提取特征并取得更好的虚假新闻识别效果。（2）针对现有研究中仅对图文进行简单融合的问题,本文提出了一种基于单流融合的虚假新闻检测模型。该模型首先基于BERT和Dei T分别提取文本和图片的特征,然后将图文特征分别加入对应的位置嵌入和分隔嵌入,进行拼接后输入到Transformer的编码层中,使图文信息在一个共同空间内进行交互,这样做不仅保持了单模态内的独特属性同时合理地实现了多模态间的语义对齐。对比实验结果表明,本文所构建的单流融合模型在Weibo、Politifact以及Gossipcop数据集上的识别准确率分别达到了90.1%、90.4%和89.1%,优于目前虚假新闻检测研究方向上的一些代表性模型。（3）为了探究不同融合方式对于模型的影响,本文进一步提出了一种基于双流融合的虚假新闻检测模型,模型设计了文本融合模块和图片融合模块,使得图文信息在两个不同的空间内分开进行交互。模型在初始阶段获取文本和图片特征后,融合模块首先基于注意力机制获取与另一个模态的融合特征,然后基于门控机制更新模态的原始特征。这样做不仅可以最大程度地保留图文原始特征的关键信息,同时添加了融合另一模态的互补信息。大量的对比实验和实证分析表明,相比于基线方法和单流融合模型,本文所构建的双流融合模型可以取得更优的虚假新闻识别效果,在Weibo、Politifact以及Gossipcop数据集上的识别准确率分别达到了90.7%、92.3%和89.1%。综上所述,本文系统性地分析了多种文本和图片表示模型在虚假新闻检测任务上的效果差异。此外,在图文表示模型的基础上,考虑了不同模态信息之间的相关性和互补性,分别提出了基于单流融合的虚假新闻检测模型和基于双流融合的虚假新闻检测模型,最终在多个公开的数据集上取得了优异表现。本文对后续相关研究具有一定的借鉴意义。