La détection de contenu haineux et offensant a été largement explorée dans une seule modalité, telle que le texte. Cependant, une telle information toxique peut également être communiquée par du contenu multimodal, comme les memes en ligne. Par conséquent, la détection de contenu haineux multimodal a récemment attiré beaucoup d'attention au sein des communautés académiques et industrielles de recherche. Cet article vise à contribuer à ce sujet de recherche émergent en proposant DisMultiHate, un cadre novateur qui effectue la classification de contenu haineux multimodal. Plus précisément, DisMultiHate est conçu pour dissocier les entités cibles dans les memes multimodaux afin d'améliorer la classification et l'explicabilité du contenu haineux. Nous menons des expériences approfondies sur deux jeux de données publics de memes haineux et offensants. Nos résultats expérimentaux montrent que DisMultiHate est capable de surpasser les méthodes unimodales et multimodales de pointe dans la tâche de classification des memes haineux. Des études de cas empiriques ont également été réalisées pour démontrer la capacité de DisMultiHate à dissocier les entités cibles dans les memes et, finalement, pour mettre en lumière l'explicabilité de DisMultiHate dans la tâche de classification du contenu haineux multimodal.