随着互联网的快速发展,新闻的载体逐渐由报纸向网络新闻转变,人们也更倾向于使用电脑和手机去接收新闻消息,互联网给人们带来便捷的同时,也为虚假新闻滋生提供了温床。自媒体的发展,使互联网新闻内容的呈现方式愈发多样,常常包含文本、图片和评论等各种信息,如何有效利用这些信息进行虚假新闻检测,对维持社会稳定、净化网络空间有重要作用。虚假新闻是可被证假且故意传播的新闻报道,传统的虚假新闻检测方法往往只关注单一模态信息,基于多模态的虚假新闻检测研究还处于早期阶段。现阶段的检测方法大多从新闻文本分类或者社交网络传播的角度去建模,而多媒体新闻丰富的内容,使得基于单一模态的检测方法还存在提升的空间。基于此,本文以微博多模态数据集为例,提出了一种融合了多模态信息的虚假新闻检测框架,并在具体的数据集上展示建模过程和分析结果。本文的主要工作内容和贡献如下:提出了基于多模态虚假新闻检测框架MFND,分别从文本、图像和用户上下文三个模态进行特征的提取。文本特征提取基于BERT模型,通过全连接层对提取的文本特征进行微调使其更好表征新闻的语义;图像特征提取利用DenseNet预训练模型抽取图像内容卷积特征,同时使用DCT算法抽取图像的频域特征,用以表征图像的篡改、重复压缩信息;用户上下文统计特征基于特征工程,挖掘用户的行为特征和新闻统计特征。最后将不同模态的特征拼接后输入到前馈神经网络中训练,最终模型的准确率和F1值分别达到96.32%和95.85%。提出改进的融合注意力机制的多模态虚假新闻检测框架attention-MFND,在MFND的基础上,从挖掘图文相关性和图文特征交叉的角度出发,引入注意力机制,通过图像特征（query）与词向量（key）为文本中的词向量分配权值,加权平均后得到融合了图像和文本信息的特征向量,将其加入到多模态特征集后,模型检测效果得到了提升。最终模型的准确率和F1值分别达到97.91%和97.52%,验证了该框架的有效性,同时基于attention-MFND开发了虚假新闻检测的Web服务。