睡眠作为人体必要的生理活动,备受人们关注。在现代社会中睡眠障碍严重影响到人们的健康和生活。睡眠分期是开展睡眠相关研究的前提,是研究睡眠特点、诊断脑部疾病的重要依据。人工手动分期是一项耗时且带有主观性的任务,使用传统的机器学习方法进行睡眠分期是一项步骤繁杂、任务难度高的方法。随着人工智能的发展,在睡眠医学技术的方面,使用深度学习技术越来越具有临床价值。本文首先总结睡眠相关的技术,详细阐述了睡眠信号（如脑电信号和眼电信号等）的概念及其特征。同时介绍了睡眠分期的标准和每个睡眠周期的特征。然后,总结归纳了睡眠分期算法,包括了预处理算法、特征工程算法和分期算法。最后,对深度学习相关技术进行了总结与归纳。本文使用深度学习的方法从两个角度展开了研究。1.本文使用常见的卷积神经网络替代机器学习算法中的特征提取与筛选。为了保证数据量,选取了多种睡眠信号作为分类的数据,同时利用小波阈值降噪算法对这些信号进行预处理。然后,分别把单一的睡眠信号和多种组合信号分别送入到建立的深层一维卷积网络模型中分类,并且使用不同的分类标准验证模型的泛化性。结果表明,在多种组合信号输入下的准确率高于单一信号。组合信号下的二分类平均准确率为98.20%,三分类为91.65%,四分类为89.91%,五分类为87.80%,六分类为86.29%。2.考虑到睡眠分期本质是序列多分类,常见的卷积神经网络仅仅是一个简单的多分类任务。为了探索不同通道的数据对睡眠分期的影响和学习睡眠数据的时序特征,在卷积网络结构的基础上,本文提出了一种结合自注意力机制的自动睡眠分期算法。该算法选取多种睡眠信号做分类数据,通过预处理后,送入模型中进行分类,同时使用不同的分类标准验证模型的泛化性。结果表明,在组合信号的输入下,二分类的平均准确率为98.87%,三分类为95.03%,四分类为93.58%,五分类为90.59%,六分类为89.15%。证明自注意力机制的自动睡眠分期算法的综合性能和稳定性优于其他算法。