La amplia difusión de rumores (información falsa) en las redes sociales en línea ha tenido un impacto perjudicial en la opinión pública y el entorno social. Esto requiere la necesidad urgente de métodos eficientes de detección de rumores. En los últimos años, se han empleado técnicas de aprendizaje profundo, incluidas las redes neuronales gráficas (GNNs) y las redes neuronales recurrentes (RNNs), para capturar las características espacio-temporales de los rumores. Sin embargo, la investigación existente ha pasado por alto en gran medida las limitaciones de las GNNs tradicionales basadas en marcos de paso de mensajes al tratar con grafos de propagación de rumores. De hecho, debido a los problemas de suavizado excesivo y desvanecimiento del gradiente, las GNNs tradicionales tienen dificultades para capturar la información interactiva entre vecinos de alto orden al manejar grafos profundos, como los de escenarios de propagación de rumores. Además, los métodos anteriores utilizados para aprender las características temporales de los rumores, ya sea basados en grafos dinámicos o series temporales, han pasado por alto la importancia de la información temporal diferencial. Para abordar los problemas mencionados anteriormente, este artículo propone un modelo de detección de rumores basado en grafos de múltiples saltos y series temporales diferenciales. Específicamente, este modelo consta de dos componentes: el módulo de extracción de características estructurales y el módulo de extracción de características temporales. El primero utiliza un grafo de múltiples saltos y el marco de paso de mensajes mejorado para aprender las características estructurales de alto orden de los grafos de propagación de rumores. El último modela explícitamente las series temporales diferenciales para aprender las características temporales de los rumores. Experimentos extensos realizados en múltiples conjuntos de datos del mundo real demuestran que nuestro modelo propuesto supera a los métodos anteriores de vanguardia.