La detección existente de información falsa basada en aprendizaje profundo se centra en la detección transitoria de las noticias en sí. En comparación con la minería y detección de perfiles de categoría de usuario, la detección transitoria es propensa a tasas de error más altas debido a las limitaciones de información temporal insuficiente, lo que plantea nuevos desafíos para tareas de monitoreo de la opinión pública social, como la detección de usuarios falsos. Este artículo propone un modelo de retrato de agregación multimodal (MAPM) basado en representación conjunta multimodal para plataformas de redes sociales. Construye un marco de detección de usuarios falsos multimodal basado en aprendizaje profundo al analizar conjuntos de datos de comportamiento de usuarios dentro de una ventana retrospectiva temporal. Integra un Modelo Grande de Dominio preentrenado para representar datos de comportamiento de usuarios a través de múltiples modalidades, construyendo así un espectro de características de comportamiento implícitas de alta generalización para los usuarios. En respuesta a la tendencia de la minería de comportamiento de usuarios falsos existente a descuidar las características de series temporales, este estudio introduce una red mejorada llamada Red de Detección de Intervalo de Secuencia (SIDN) basada en Secuencia a Secuencia (seq2seq) para caracterizar comportamientos de secuencia de intervalos de tiempo, logrando fuertes capacidades expresivas para detectar comportamientos falsos dentro de la ventana temporal. En última instancia, la amalgama de características de comportamiento latentes y características explícitas sirve como entrada para el agrupamiento espectral en la detección de usuarios fraudulentos. Los resultados experimentales en el conjunto de datos real de Weibo demuestran que el modelo propuesto supera la detección utilizando características explícitas de usuarios, con una mejora del 27.0% en la precisión de detección.