当前,新闻信息生产源不断增加,虚假新闻的数量也在增加,对社会的负面影响也越来越大。本文研究涉及的虚假新闻主要为谣言类型的新闻,其会带有差异化的情感特征,用于加强信息在用户间的传播和影响力。鉴于此,不少研究针对新闻内容的情感特征进行建模、分析新闻表达意图,判别新闻真伪。这些研究在取得一定成绩的同时,也存在着几个问题:第一,现阶段工作更关注对新闻内容的分析,较少考虑新闻评论作为用户针对新闻内容的直观情绪反馈,其对于新闻检测研究存在辅助作用;第二,现有数据集不足,无法支撑前期分析和后期训练,影响了模型能力;第三,尚未能向用户提供聚合入口以同时查看并检测新闻,更多研究尚停留于学术。据此,本文将从三个方面开展研究工作:1)针对分析范围的问题,本文将同时把新闻内容及新闻评论纳入检测,并开展研究。第一,针对新闻内容,本文将引入自注意力机制,结合LSTM长短记忆单元,建立新闻文本分析模型;第二,针对新闻评论,本文将优化CNN网络建立评论分析模型。2)针对新闻文本供训练样本不足,检测模型健壮值不高的问题,本文引入对抗神经网络,对新闻文本分析模型进行优化和对抗训练。然后基于随机森林,将新闻文本分析模型以及评论分析模型进行融合,得到最终的检测模型。3)针对聚合入口缺失的问题,本文基于前述的最终检测模型,结合对当前新闻系统的需求分析,基于Java、Python、Vue.js技术,建立了移动端和管理端虚假新闻检测系统。系统内实现了新闻数据爬取、数据清洗、检测过滤、聚类展示、虚假新闻分析、新闻浏览等功能。最终通过了测试,本文完成了系统功能和性能可靠性验证。综上所述,本文的研究过程是将深度学习应用在虚假新闻检测上,并建立系统进行落地,这对于新闻检测系统的设计有着一定意义。