Las redes sociales se han vuelto más populares en estos días debido al uso generalizado de la mensajería instantánea. Sin embargo, la propagación de rumores en las redes sociales se ha convertido en un problema cada vez más importante. El propósito de este estudio es investigar el impacto de varias características en las redes sociales sobre la detección de rumores, proponer un método de fusión de múltiples características basado en la atención dual para la detección de rumores y explorar la capacidad de detección del método propuesto en tareas de detección temprana de rumores. El método propuesto de Red Neuronal de Atención Dual Basada en BERT (BDCoNN) para la detección de rumores utiliza BERT para la incrustación de palabras. Integra simultáneamente características de tres fuentes: perfiles de usuarios que publican, tweets de origen y comentarios. En el método BDCoNN, las características discretas de los usuarios y los descriptores de identidad en los perfiles de usuario se extraen utilizando una red neuronal convolucional unidimensional (CNN) y TextCNN, respectivamente. La red de unidad recurrente de puerta bidireccional (BiGRU) con un mecanismo de atención jerárquica se utiliza para aprender la representación de la capa oculta de la secuencia de tweets y la secuencia de comentarios. Se utiliza un mecanismo de atención colaborativa dual para explorar la correlación entre los perfiles de usuarios que publican, el contenido de los tweets y los comentarios. Luego, el vector de características se alimenta a un clasificador para identificar las diferencias implícitas entre los propagadores de rumores y los no propagadores de rumores. En este estudio, realizamos varios experimentos en los conjuntos de datos de Weibo y CED recopilados de microblogs. Los resultados muestran que el método propuesto logra un rendimiento de vanguardia en comparación con los métodos de referencia, que es un 5.2% y un 5% más alto que el dEFEND. El valor F1 aumenta en un 4.4% y un 4%, respectivamente. Además, este documento realiza investigaciones sobre tareas de detección temprana de rumores, lo que verifica que el método propuesto detecta rumores más rápida y precisamente que los competidores.