Muchos rumores se propagan rápida y ampliamente en las redes sociales, afectando la estabilidad social. Los rumores de los métodos de detección más actuales solo utilizan información textual o introducen información auxiliar externa (como información del usuario e información de propagación) para mejorar el efecto de detección, y las características estadísticas inherentes del corpus no se han utilizado completamente ni comparado con las características auxiliares externas; además, las características estadísticas son más ciertas y solo se pueden obtener de la información textual. Por lo tanto, adoptamos un método basado en la fusión adaptativa de características de distribución de frecuencia de palabras y características textuales para detectar rumores. Las características estadísticas se extrajeron codificando información estadística a través de un autoencoder variacional. Extraímos características semánticas y características de secuencia como características textuales a través de una red paralela que comprende una red neuronal convolucional y una red de memoria a largo plazo bidireccional. Además, también diseñamos una válvula adaptativa para fusionar solo características estadísticas útiles con características textuales según la credibilidad de las características textuales, lo que puede resolver el problema de sobreajuste causado por el uso excesivo de características estadísticas. La precisión del modelo en tres conjuntos de datos públicos (Twitter15, Twitter16 y Weibo) alcanzó el 87.5%, 88.6% y 95.8%, respectivamente, y el valor F1 alcanzó el 87.4%, 88.5% y 95.8%, respectivamente, mostrando que el modelo puede mejorar efectivamente el rendimiento de la detección de rumores.