Con la amplia adopción de las redes sociales, la rápida difusión de rumores plantea una grave amenaza para la percepción pública y la estabilidad social, surgiendo como un desafío importante que enfrenta la sociedad. Por lo tanto, el desarrollo de modelos eficientes y precisos de detección de rumores se ha convertido en una necesidad urgente. Dadas las dificultades de las tareas de detección de rumores, incluida la escasez de datos, la complejidad de las características y las dificultades en la transferencia de conocimientos entre tareas, este artículo propone un modelo de Transfer Learning BERT-GCN, un modelo integrado de detección de rumores que combina BERT (Representaciones de Codificador Bidireccional de Transformers), Redes de Convolución de Grafos (GCNs) y técnicas de transferencia de conocimientos. Al aprovechar las sólidas capacidades de representación de texto de BERT, la destreza de extracción de características de GCN en datos estructurados en grafo y la ventaja del aprendizaje por transferencia en el intercambio de conocimientos entre tareas, el modelo logra una detección efectiva de rumores en plataformas de redes sociales. Los resultados experimentales indican que este modelo logra precisiones de 0.878 y 0.892 en los conjuntos de datos Twitter15 y Twitter16, respectivamente, mejorando significativamente la precisión de detección de rumores en comparación con los modelos base. Además, mejora en gran medida la eficiencia del entrenamiento del modelo.