Este documento propone un sistema de aprendizaje automático supervisado para detectar noticias falsas en fuentes en línea publicadas en rumano. Además, este trabajo presenta una comparación de los resultados obtenidos utilizando redes neuronales recurrentes basadas en memoria a largo y corto plazo y celdas de unidad recurrente con compuertas, una red neuronal convolucional y un modelo de Representaciones de Codificadores Bidireccionales de Transformadores (BERT), a saber, RoBERT, un modelo BERT rumano preentrenado. Las arquitecturas de aprendizaje profundo se comparan con los resultados alcanzados por dos algoritmos de clasificación clásicos: Naïve Bayes y Máquina de Vectores de Soporte. El enfoque propuesto se basa en un corpus de noticias rumano que contiene 25,841 artículos de noticias verdaderas y 13,064 artículos de noticias falsas. El mejor resultado es superior al 98.20%, logrado por la red neuronal convolucional, que supera los métodos de clasificación estándar y los modelos BERT. Además, basándose en sistemas de detección de ironía y análisis de sentimientos, se revelan detalles adicionales sobre el fenómeno de la ironía y el campo del análisis de sentimientos que se utilizan para abordar los desafíos de las noticias falsas.