La proliferación de spam en China tiene un impacto negativo en la experiencia de los usuarios de Internet en línea. Los métodos existentes para detectar spam se basan principalmente en el aprendizaje automático. Sin embargo, se ha descubierto que estos métodos son susceptibles al spam textual adversarial que ha sido modificado frecuentemente de manera imperceptible por los spammers. Los spammers continúan modificando sus estrategias para evadir los sistemas de detección de spam. El texto con sustitución homofónica en chino puede ser fácilmente comprendido por los usuarios según su contexto. Actualmente, los spammers utilizan ampliamente la sustitución homofónica para evadir los sistemas de identificación de spam en Internet. Para abordar estos problemas, proponemos un modelo híbrido de Red Recurrente Bidireccional con Compuerta (BiGRU) y Red Neuronal Convolucional de Texto (TextCNN) con incrustación conjunta para detectar spam en chino. Nuestro modelo utiliza eficazmente la información fonética y combina las ventajas del intercambio de parámetros de TextCNN con la memoria a largo plazo de BiGRU. Los resultados experimentales en conjuntos de datos del mundo real muestran que nuestro modelo resiste en cierta medida el ruido homofónico y supera a los modelos de aprendizaje profundo convencionales. También demostramos la generalidad de la incrustación textual y fonética conjunta, que es aplicable a otras redes de aprendizaje profundo en tareas de detección de spam en chino.