En los últimos años, ha habido una proliferación sin precedentes de noticias falsas. Como consecuencia, somos más susceptibles al impacto pernicioso que la desinformación y la información errónea pueden tener en diferentes segmentos de nuestra sociedad. Así, el desarrollo de herramientas para la detección automática de noticias falsas juega un papel importante en la prevención de sus efectos negativos. La mayoría de los intentos de detectar y clasificar contenido falso se centran únicamente en el uso de información textual. Los enfoques multimodales son menos frecuentes y típicamente clasifican las noticias como verdaderas o falsas. En este trabajo, realizamos una clasificación detallada de noticias falsas en el conjunto de datos Fakeddit, utilizando enfoques unimodales y multimodales. Nuestros experimentos muestran que el enfoque multimodal basado en una arquitectura de Red Neuronal Convolucional (CNN) que combina datos de texto e imagen logra los mejores resultados, con una precisión del 87%. Algunas categorías de noticias falsas, como contenido manipulado, sátira o conexión falsa, se benefician enormemente del uso de imágenes. El uso de imágenes también mejora los resultados de las otras categorías, pero con menos impacto. En cuanto a los enfoques unimodales que utilizan solo texto, las Representaciones de Codificadores Bidireccionales de Transformadores (BERT) son el mejor modelo, con una precisión del 78%. Aprovechar tanto los datos de texto como los de imagen mejora significativamente el rendimiento de la detección de noticias falsas.