El rápido desarrollo de las redes sociales en línea hace que la detección de abusos sea un tema candente en el campo de la informática emocional. Sin embargo, la mayoría de los métodos de procesamiento del lenguaje natural (NLP) solo se centran en las características lingüísticas de las publicaciones e ignoran la influencia de las emociones de los usuarios. Para abordar el problema, proponemos un marco de trabajo multitarea que combina la detección de abusos y la clasificación de emociones (MFAE) para ampliar la capacidad de representación del algoritmo sobre la base del modelo de lenguaje preentrenado existente. Específicamente, utilizamos el codificador de representación bidireccional de transformadores (BERT) para generar la representación de la oración. Luego, utilizamos dos decodificadores diferentes para la clasificación de emociones y la detección de abusos, respectivamente. Para fortalecer aún más la influencia de la tarea de clasificación de emociones en la detección de abusos, proponemos un componente de atención cruzada (CA) en el decodificador, que mejora aún más el efecto de aprendizaje de nuestro marco de trabajo de aprendizaje multitarea. Los resultados experimentales en cinco conjuntos de datos públicos muestran que nuestro método es superior a otros métodos de última generación.