随着信息社会的不断发展,信息技术成为当今社会至关重要的一项技术,其中在电磁领域的信息泄漏问题也成为日益关注的对象,因电磁信息的泄漏和敏感信息被截获给国家信息安全带来的威胁也逐渐增加,电磁信息安全的需求也面临紧迫态势,计算机显示器电磁信息泄漏成为信息安全的一项重要技术支撑。本文对计算机电磁信息泄漏研究现状进行分析,以计算机显示设备泄漏电磁信号为切入点,将电磁信息泄漏特征识别技术,深度学习技术和虚拟仪器电磁监测识别系统结合在一起,区别于传统基于经验的人工特征提取模式,利用人工智能深度学习算法,提出了一种基于卷积神经网络的识别方法,建立了一套应用于复杂电磁环境的监测识别系统。本文主要研究内容及创新性概括如下:首先从电磁信息泄漏的信号角度针对计算机显示系统的组成结构工作原理进行分析,对计算机显示系统的液晶显示器、以及视频传输线做详细分析对视频电磁泄漏途径进行研究,对信息泄漏进行初步定位,设计数据采集方案,收集电磁信息泄漏源数据。其次针对采集到电磁信号,提出一种通过时频图像表征电磁泄漏信号,设计通过短时傅里叶变换预处理将一维信号转换为二维时频图像作为网络输入。进一步结合深度学习卷积神经网络算法与电磁信号特征识别的方法,经过研究探索搭建卷积神经网络结构,用于电磁信息泄漏识别,来达到较好的特征识别效果,获取具象化的特征信号,建立特征识别模型。最后基于虚拟仪器平台Lab VIEW的软件界面设计方案,实现控制接收硬件系统传输数据,调换仪器参数,实时时频谱图,识别电磁信息泄漏信号,建立监测识别系统,达到对电磁信息泄漏的监测识别效果。