近年来,社交网络在人们生产生活中的地位愈发关键。相比于传统形式的新闻报道,社交网络平台鼓励用户自主生产内容,新闻内容具有更强实时性和多样性,内容综合文字、图片、视频等多个模态,人们通过社交网络能够更加快捷便利地获取新闻资讯。但同时,用户素质参差不齐,新闻的真实客观性无法保证,虚假新闻在社交网络中扩散迅速,误导群众,破坏社会稳定,社交网络虚假新闻的检测工作迫在眉睫。本文研究国内外的两大社交平台推特、微博的多模态数据挖掘中的特征表示问题,聚焦社交平台虚假新闻检测中多模态特征重要性评估与特征选择工作,致力于提高社交数据安全性的同时,兼顾数据可用性。多模态带来特征维度爆炸问题,特征中包含大量噪声,影响模型训练时间与硬件功耗的同时,也影响检测准确率。为解决这一问题,对多种特征选择算法进行组合,并关注组特征优选问题,设计实现了一种多模态组特征优选机制。针对特征优选机制,本文主要进行了两阶段的工作:1)结合主成分分析及其改进方法、递归特征消除方法对多模态特征集进行特征优选。2)多模态特征意味着特征以组为单位独立存在,传统特征选择方法难以评价组特征重要性,本文使用多核学习方法对多模态组特征进行评估融合,迭代组特征在决策中的权重,以此实现对组特征的优选。融合以上两点设计实现了FS-MKL组特征优选机制,基于推特与微博数据集,对比FS-MKL与其他检测模型性能,验证了FS-MKL机制的有效性。社交网络数据中包含了丰富的用户信息:位置、图片、社交关系（关注数与粉丝数）等数据一旦被恶意使用,后果十分严重。为保护用户隐私安全,本文设计实现了隐私保护算法SDRRDP,并以理论推导和实验两种方法证明了SDRRDP算法可以在保护数据安全的同时,有效提高数据的可用性。使用不同隐私保护算法与FS-MKL机制结合进行虚假新闻检测实验,结果表明:SDRRDP与FS-MKL机制进行结合会得到更好的训练效果。这证明本文的隐私保护算法SDRRDP与组特征优选机制FS-MKL结合解决了用户隐私安全问题。最后,为改进FS-MKL,提高特征优选机制性能,优化组特征选择参数设置,最终达到改善虚假新闻检测性能的目的,使用粒子群优化算法对FS-MKL进行改进形成了PSO-FS-MKL组特征优选机制。经过实验证明,PSO-FS-MKL在时间性能和准确率上均较FS-MKL有所提升。