Recientemente, las noticias falsas, como noticias de baja calidad con información intencionalmente falsa, han amenazado la autenticidad de la información de noticias. Sin embargo, los métodos de detección existentes son ineficientes en la modelización de datos complicados y en el aprovechamiento de conocimientos externos. Para abordar estas limitaciones, proponemos un marco de detección de noticias falsas basado en análisis semántico guiado por conocimiento, que compara las noticias con conocimiento externo a través de tripletas para la detección de noticias falsas. Considerando que los elementos equivalentes de las tripletas pueden presentarse en diferentes formas, se diseña un método de alineación de tripletas para construir el puente entre los documentos de noticias y los grafos de conocimiento. Luego, se desarrolla una red de doble rama para llevar a cabo la interacción y comparación entre los textos y los incrustaciones de conocimiento. Específicamente, la semántica del texto se analiza con la guía generada por un módulo de agregación de tripletas para capturar la inconsistencia entre el contenido de las noticias y el conocimiento externo. Además, se diseña un módulo de puntuación de tripletas para medir la racionalidad en función del conocimiento general como pista complementaria. Finalmente, se propone un módulo de interacción para fusionar las puntuaciones de racionalidad en aspectos de semántica de texto y conocimiento externo para obtener resultados de detección. Se realizan experimentos extensos en conjuntos de datos disponibles públicamente y se consideran varios métodos de vanguardia para su comparación. Los resultados verifican la superioridad del método propuesto en lograr resultados de detección de noticias falsas más fiables.