睡眠分期是根据一定的标准将人的整个睡眠过程划分为几个阶段。睡眠分期作为睡眠医学研究方法的重要组成部分,基于对睡眠质量做出合理评价,为睡眠疾病的诊断提供基础数据。针对睡眠分期,最初不少学者依据睡眠专家的手工划分,取得了较好的分期效果,但是费时费力,且对专家的经验和能力具有较高的要求。近几年,随着机器学习和深度学习等技术的日益普及,基于卷积神经网络等深度学习方法的睡眠分期取得了较好的效果,但是分期的准确性和效率有待进一步提高。因此本文开展基于卷积神经网络的睡眠自动分期研究,对丰富脑电信号睡眠分期方法、促进睡眠医学研究的进步,具有一定的理论与实践意义。本文开展的基于CNN-Bi GRU的睡眠自动分期研究,主要内容包括:睡眠脑电数据预处理、睡眠特征提取和时间信息提取。首先对原始睡眠脑电数据进行滤波和类平衡处理,其次采用卷积神经网络（CNN）提取睡眠特征,并添加双向门控循环单元（Bi GRU）学习睡眠阶段间的时间规则,最后结合CNN中的softmax分类器进行睡眠分期。论文的主要研究工作如下。（1）针对如何去除多导睡眠检测系统获得的睡眠信号中掺杂其它干扰信号和数据样本不平衡的问题,本文采用巴特沃斯带通滤波器进行滤波处理和合成少数类过采样技术进行类平衡处理。将原始的睡眠脑电信号采用带通滤波器提取0.4Hz-30Hz的信号,并在模型训练阶段通过合成少数类过采样技术对数据样本进行调整,为睡眠准确分期提供基础。（2）针对如何提取睡眠脑电信号多层次特征的问题,本文提出采用三尺度并行卷积神经网络方法提取多个时间和频率分辨率下的特征。经预处理之后的数据输入到三个并行卷积神经网络中,经过卷积和最大池化等一系列操作,通过在三尺度卷积神经网络中设置不同的大小和步长分别提取出脑电信号中细节、结构和形状等不同层次的睡眠特征,作为特征序列输入到下一步的序列残差学习模块中进行分期。实验验证,采用3CNN作为综合特征学习模块,与采用双层CNN作为特征提取模块相比,能有效地提升睡眠阶段识别的准确率。（3）针对如何改善序列残差学习模块中长短期记忆网络（LSTM）提取时间信息时参数过于复杂影响训练效率的问题,本文提出采用双向门控循环单元作为时间信息提取模块。综合特征学习模块提取的睡眠特征序列作为双向门控循环单元的输入,经过对特征序列的前向和反向时间信息的学习,获得睡眠阶段之间的时间序列规则,并且采用一个快捷连接Fc直接将特征转换为向量添加至双向门控循环单元的输出中,作为补充的时间序列信息。经过与采用双向LSTM的模型进行实验对比可知,采用双向门控循环单元网络的模型,能在最短的训练时间内获得最好的睡眠分期准确率。