电子信息设备不可避免地产生无意电磁辐射,这些电磁波中含有各种信息,存在着信息泄漏的潜在风险。随着信息化发展,电子信息设备的电磁信息泄漏安全问题也日益突出。开展信息设备的电磁信息泄漏检测研究,不仅可以有效发现设备的信息泄漏问题,还可以指导设备的信息泄漏防护,对于保障信息安全具有重要意义。本文重点开展了深度学习方法在电磁信息安全领域的应用研究。针对低信噪比下的电磁信息泄漏特征提取、电磁信号的多重信息泄漏、信号中的信息泄漏特征标定及红黑分离等关键问题,提出了基于卷积神经网络的电磁信息泄漏识别与检测方法,基于梯度加权类激活映射的电磁信息泄漏特征分析与标定方法,建立了基于卷积神经网络的信息泄漏检测系统,并开展了信息泄漏检测试验,验证了所提方法与研制系统的电磁信息泄漏检测能力。1.研究分析了电磁信息泄漏的产生机理,针对电磁泄漏信号特点,设计了基于一维卷积核的MI-CNN神经网络结构,通过深度学习实现了电磁信息泄漏特征的自动提取。2.针对未知信息泄漏特征条件下的电磁红信号检测,提出了Grad-CAM+算法,解决了信息泄漏特征的智能标定难题,实现了电磁泄漏信号中信息特征分布的自动获取。3.建立了电磁信息泄漏测试系统,针对现有电磁红信号检测方法易受脉冲噪声干扰的不足,设计了基于卷积神经网络的红信号智能检测方法,进而提出了时频域电磁泄漏信号的红黑分离方法,提高了干扰环境中的信息泄漏检测性能。4.系统阐释了信息设备的无意电磁发射中所存在的多重信息泄漏,设计了一种基于MI-CNN的多元电磁信息识别方法,可从无意发射的同一电磁泄漏信号中同时识别多元信息,提升了检测效率。本文建立的基于深度学习的电磁信息泄漏检测方法,促进了电磁信息安全领域的深化研究,为保障电磁信息安全提供了有力支撑。