Los bots en redes sociales plantean posibles amenazas para el entorno en línea, y las tecnologías anti-detección en constante evolución requieren que los métodos de detección de bots sean más confiables y generales. Los métodos de detección actuales enfrentan desafíos, incluida la capacidad limitada de generalización, la susceptibilidad a la evasión en la ingeniería de características tradicional y la exploración insuficiente de las relaciones entre usuarios. Para abordar estos desafíos, este documento propone MRLBot, un marco de detección de bots en redes sociales basado en el aprendizaje de representaciones no supervisado. Diseñamos un modelo de aprendizaje de representación de comportamiento que utiliza Transformer y un codificador-decodificador CNN para extraer simultáneamente características globales y locales de la información conductual. Además, se propone un modelo de aprendizaje de representación de red que introduce caminatas aleatorias orientadas intra y extra comunidad para aprender características estructurales y conexiones de comunidad del grafo de relaciones. Finalmente, los modelos de aprendizaje de representación de comportamiento y de representación de relaciones se combinan para generar representaciones fusionadas para la detección de bots. Los resultados experimentales de cuatro conjuntos de datos de redes sociales públicamente disponibles demuestran que el método propuesto tiene ciertas ventajas sobre los métodos de detección de vanguardia en este campo.