Hoy en día, las noticias falsas son una preocupación creciente debido a sus impactos devastadores en las comunidades. El aumento de las redes sociales, que muchos usuarios consideran la principal fuente de noticias, ha exacerbado este problema porque las personas pueden difundir fácilmente noticias falsas de manera más rápida y económica, con menos controles y filtros que los medios de comunicación tradicionales. Se han explorado numerosos enfoques para automatizar la detección y prevenir la propagación de noticias falsas. Sin embargo, lograr una detección precisa requiere abordar dos aspectos cruciales: obtener las características representativas de noticias efectivas y diseñar un modelo adecuado. La mayoría de las soluciones existentes se basan únicamente en características basadas en contenido que resultan insuficientes y superpuestas. Además, la mayoría de los modelos utilizados para la clasificación se construyen con el concepto de un vector de características densas que no son adecuadas para frases cortas de noticias. Para abordar este problema, este estudio propuso un Modelo de Detección de Noticias Falsas Informado por la Web utilizando Capas Apiladas de Redes Neuronales Convolucionales y Autoencoders Profundos llamado ICNN-AEN-DM. La información aumentada se recopila de búsquedas web en fuentes confiables para apoyar o rechazar las afirmaciones en el contenido de las noticias. Luego se construyeron capas apiladas de CNN con un autoencoder profundo para entrenar un clasificador probabilístico de aprendizaje profundo. Las salidas probabilísticas de las capas apiladas se utilizaron para entrenar la toma de decisiones mediante la superposición de capas de perceptrón multicapa (MLP) a las capas de aprendizaje profundo probabilístico. Los resultados basados en experimentos extensos desafiantes muestran que el modelo propuesto funciona mejor que los modelos de trabajo relacionados. Logra un 26,6% y un 8% de mejora en la precisión de detección y en el rendimiento general de detección, respectivamente. Tales logros son prometedores para reducir los impactos negativos de las noticias falsas en las comunidades.