随着互联网的发展,每日新增的虚假新闻数目异常庞大,所以仅依靠人工来识别虚假信息远远不够,因此高效的虚假新闻检测算法的研究与应用势在必行。近年来虚假新闻的形式越来越多样化,其不仅包括虚假图片及文本内容,还包含隐含其虚假特征的外部信息,仅仅基于虚假新闻自身语言特性的虚假新闻检测模型因此出现了很多局限性:(1)使用图片或文本等单模态数据来检测虚假新闻的模型的效果普遍不好;(2)缺乏隐含有重要辨别特征的新闻外部信息的有效利用;(3)对于语义稀疏的短文本信息无法有效的获取其语义特征;(4)没有考虑新闻图片在物理和语义级别的特征联系。因此对虚假新闻的文本、图片及外部信息的多模态特征综合考虑的模型得到产业界和学术界的关注。针对上述虚假新闻检测模型的局限本文引入多模态特征及稀疏语义增强模块,提出了基于多模态特征及稀疏语义增强模块的虚假新闻检测算法模型MMSEM(Multi-Modal features and Semantic Enhancement Model)。MMSEM模型的特征提取模块基于新闻的图片、内容、标题及其外部的信息如新闻的标签、作者及链接的多模态数据,解决了仅依赖单模态数据缺乏集成分析的局限性;MMSEM使用基于Gaussian LDA的TNTM(Tagging augmented neural topic model)模块对外部信息中的语义稀疏文本进行语义增强,为其后的语义特征提取提供了有力支持;MMSEM利用多核异步长卷积神经网络对新闻标题、作者及链接信息中隐含的辨别特征进行了充分提取;MMSEM根据新闻图片语义和物理级别的联系利用注意力机制来提取带有权重的特征。最后将各种模态特征进行融合后进入分类模块后通过多次迭代训练后模型检测的准确度达到了90%。实验基于公开的微博和Twitter数据集分别做了单模态数据验证和多模态数据验证。其中单模态数据验证实验的结果表明MMSEM利用新闻的外部信息和图片的语义级别信息后的分类效果要优于其他对比模型;多模态数据验证实验的结果表明MMSEM能够有效融合多模态特征且引入TNTM语义增强模块后能够充分提取标签语义特征使分类性能进一步提高,检测准确度高于其他对比模型10～20个百分点。在提出MMSEM的基础上,结合当前的应用背景进行了需求分析,确定了系统的使用角色和用例,然后对系统的主要功能进行了详细设计,最终根据系统设计实现了以MMSEM作为核心的虚假新闻检测的原型系统。