La perjudicialidad de las noticias falsas en línea ha atraído la atención generalizada de los investigadores hacia la detección de noticias falsas. La mayoría de los métodos existentes se centran en mejorar la precisión y la detección temprana de noticias falsas, mientras ignoran los frecuentes problemas de cruce de temas que enfrentan las noticias falsas en entornos en línea. Se propone un método jerárquico de detección de noticias falsas (HAMFD) basado en el aprendizaje multitarea y el entrenamiento adversarial. A través de la tarea de aprendizaje multitarea a nivel de evento, se introduce información subjetiva y objetiva. Se utiliza un clasificador de subjetividad para capturar el cambio de sentimiento dentro de los eventos, con el objetivo de mejorar el rendimiento en el dominio y la capacidad de generalización de la detección de noticias falsas. Sobre esta base, se fusionan características textuales y características de cambio de sentimiento para realizar la detección de noticias falsas a nivel de evento y mejorar la precisión de detección. La pérdida a nivel de publicación y la pérdida a nivel de evento se ponderan y suman para la retropropagación. Se añaden perturbaciones adversariales a la capa de incrustación del módulo a nivel de publicación para engañar al detector, lo que permite que el modelo resista mejor los ataques adversariales y mejore su robustez y adaptabilidad temática. Se realizan experimentos en tres conjuntos de datos de redes sociales del mundo real, y los resultados muestran que el método propuesto mejora el rendimiento tanto en la detección de noticias falsas en el dominio como en la detección de noticias falsas de cruce de temas. Específicamente, el modelo alcanza precisiones del 91.3% en Twitter15, 90.4% en Twitter16 y 95.7% en Weibo, superando a los métodos de referencia avanzados en un 1.6%, 1.5% y 1.1%, respectivamente.