睡眠是人类的生命本能,但是随着社会压力的增大,越来越多人面临着睡眠障碍的困扰。睡眠分期作为睡眠质量评估和障碍诊断的基础,在相关领域研究中占据重要地位。脑电信号记录睡眠期间的大脑活动具有高准确性,是睡眠阶段判读中的主要评判依据,被广泛应用于临床和科研中。然而现有的脑电睡眠分期方法更多基于特征工程或者深度学习框架,主要关注大脑局部信息而忽略了通道之间及脑区之间的信息交互,忽略了脑电信号固有的“图”属性,未能很好地利用数据的空间信息。而脑连接是一种双变量特征,可以捕获脑区之间的耦合关系,表征大脑信息流通。此外,睡眠脑电具有很强的时间依赖性。综上,本文研究了脑功能连接作为脑电睡眠分期“图”表征指标的有效性;然后提出了一种基于图表征的多视图时空图卷积模型,充分利用脑电信号的时、空信息;最后针对该模型提出了不同的优化策略。具体的研究工作包括:（1）为了利用能够有效表征各睡眠阶段的全局信息交互特征,本文基于锁相值及脑电频率特性对睡眠各阶段的特性、差异性及分类性能进行分析。结果显示,效果最佳的是通过特征层方式融合六个频段的结果,并发现alpha频段在睡眠分期中占据主导地位,6个频段中alpha频段贡献占据49.74%;beta1频段比较擅长区分快速眼动期与N2期、快速眼动期与N3期,但是对N2期和N3期区分比较困难。（2）为了利用脑电信号固有的“图”结构信息以及睡眠阶段之间的强依赖性,本文提出一种基于脑连接表征的多视图时空图卷积（Multi-view SpatialTemporal Graph Convolutional Networks,MSTGCN）模型。该模型融合了脑功能连接和脑结构连接两种视图的拓扑结构来挖掘脑电的空间信息,并联合上下文信息来捕获睡眠脑电的时间结构信息,采用三种样本不均衡解决方法缓解数据不平衡问题。分别在夜间额叶癫痫被试和健康被试的睡眠脑电数据上实验,结果表明疾病被试的F1分数和ACC分别为91.94%和93.21%,健康被试的F1分数和ACC分别为92.60%和93.96%,对比现有的其他模型F1分数有较大提高（9%以上）,准确率有1.5%～4%的提高。另外,发现相对于健康被试,病人的睡眠结构更不稳定,但是在睡眠阶段之间的连续性、关联性方面与健康被试是一致的。（3）针对MSTGCN模型联合上下文信息的方式存在计算复杂度较高、联合上下文信息的长度难以扩展的问题,本文提出多任务-联合分类与预测的模型优化策略。结果显示,改进后所有被试的分期结果都有所提高（F1分数平均提高3.12%）,并发现夜间额叶癫痫被试联合前后30s信息、健康被试联合前后60s信息时分期效果最佳,即病人的睡眠脑电时间依赖性低于健康被试,较长的上下文信息会对分期准确率产生负面影响。