睡眠质量的好坏对于人体的机体恢复和整合起着重要的作用,而睡眠分期是睡眠质量评估的基础,也是诊断睡眠相关疾病的关键一步。目前,医学上对于睡眠状态的分析主要是通过专业医师通过读取多导睡眠图信息进行睡眠阶段的判读,这一过程会夹杂着主观性因素从而导致判读结果会相对缺少客观性,而且这一过程也会耗费时间,因此自动睡眠分期算法的研究具有极高的研究价值和临床应用价值。本文正是在此背景下进行研究的,对现阶段在信号分类处理中表现较好的残差网络作为基础网络做出了改进,设计了一种新的架构—基于多尺度注意力机制残差网络和双向门控循环单元网络的自动睡眠分期算法。主要做出的研究工作如下:（1）为了对脑电信号睡眠序列的特征有所重点的突出,将通道特征注意力单元和空间特征注意力单元加入到残差模块中,并将Re LU激活函数用扩展指数线性单元激活函数来替代,构造出了残差空间通道注意力模块,这对识别不同的睡眠时期具有关键的作用,使其能够对不同通道自身特征的重要性,以及特征间的关联性进行充分学习。（2）为了提升网络对于睡眠序列的时域表征能力,解决传统算法无法识别长时关联数据中的时序模式所造成的睡眠周期特征学习能力有限等问题,将改进的残差模块在同一模块层中采用多种不同尺寸的卷积核进行睡眠信号的特征提取,后续引入双向门控循环单元网络全面详尽的分析时序信息,从而实现睡眠数据特征的自动学习和睡眠周期的判定。实验结果表明,本文算法模型的识别率更高,并且该模型的生物可解释性更好,证明了利用残差网络与双向门控循环网络进行自动睡眠分期的可行性和有效性。