Con la amplia popularidad de las redes sociales en línea, las personas han llegado a depender cada vez más de ellas como fuente de información y noticias. Sin embargo, la creciente propagación de noticias falsas en Internet se ha convertido en una seria amenaza para el ciberespacio y la sociedad en general. Aunque una serie de trabajos anteriores han propuesto varios métodos para la detección de noticias falsas, la mayoría de estos métodos se centran en la detección de noticias falsas de un solo dominio, lo que resulta en un bajo rendimiento de detección al considerar noticias falsas del mundo real con diversos temas de noticias. Además, cualquier contenido de noticias puede pertenecer a múltiples dominios. Por lo tanto, detectar noticias falsas de múltiples dominios sigue siendo un problema desafiante. En este estudio, proponemos un marco de detección de noticias falsas de múltiples dominios basado en un modelo de mezcla de expertos. El texto de entrada se alimenta a BertTokenizer y se obtienen incrustaciones llamando conjuntamente a CLIP para obtener las características de fusión. Esto evita la introducción de ruido y características redundantes durante la fusión de características. También proponemos un módulo de colaboración, en el que se utiliza un módulo de sentimiento para analizar la información sentimental inherente del texto, y se utilizan incrustaciones de nivel de oración y dominio para formar el módulo de colaboración. Este módulo puede determinar de forma adaptativa los pesos de los modelos expertos. Finalmente, se utiliza el modelo de mezcla de expertos, compuesto por TextCNN, para aprender las características y construir un modelo de detección de noticias falsas de alto rendimiento. Realizamos experimentos extensos en el conjunto de datos Weibo21, cuyos resultados indican que nuestros métodos de múltiples dominios funcionan bien, en comparación con los métodos de referencia, en el conjunto de datos Weibo21. Nuestro marco propuesto presenta un rendimiento de detección de noticias falsas de múltiples dominios considerablemente mejorado.