睡眠分期是睡眠质量的基本评估方法,目前临床上采用的多导睡眠图存在成本高昂、操作复杂、侵扰睡眠等问题,因此迫切需要发展客观、有效、便捷的单导穿戴式睡眠脑电（Electroencephalogram,EEG）分期算法。然而由于采集数据来源不同,存在个体差异、环境差异、通道差异和采集设备差异等影响,使得数据分布差异明显。为了解决上述问题,本文从同构迁移学习的领域自适应入手,结合深度学习的自动特征提取能力,提出了无监督、有监督和基于fine-tune的三种深度迁移学习睡眠分期模型,主要研究工作如下:（1）深入研究睡眠EEG的生理特点以及睡眠分期规则,针对睡眠数据的类不平衡问题,分别使用合成少数类过采样技术、数据增强和加权交叉熵对睡眠EEG进行处理。结果表明合成少数类过采样技术生成了一些没有提供有效信息的样本,导致其处理类不平衡问题能力较弱,而数据增强和加权交叉熵是更有效的处理类不平衡问题的方式。（2）为了提取睡眠EEG的时不变特征和时序信息,搭建基于表征学习和序列学习的睡眠分期模型。本文首先利用卷积神经网络的特征提取能力结合短时傅里叶变换搭建了基于表征学习的睡眠分期模型,以改善现有的卷积神经网络睡眠分期模型。其次,为了提取睡眠各个阶段之间的时序信息,利用双向长短时记忆网络和隐马尔科夫模型的序列学习能力搭建了两种睡眠分期模型,进一步完善表征学习的睡眠分期结果。结果表明本文搭建的序列学习的睡眠分期模型能够学习睡眠阶段的转换规则,且本文提出的基于隐马尔科夫的序列学习模型的训练时间是基于双向长短时记忆网络模型训练时间的五分之一,更容易部署在穿戴式睡眠分期检测设备上。（3）针对个体差异、环境差异、通道差异和采集设备差异的问题,本文提出了三种深度迁移学习的睡眠分期模型:无监督、有监督和fine-tune。无监督和有监督的深度迁移学习睡眠分期模型通过多核最大均值差异的度量函数来减小源域和目标域数据的边缘概率分布。无监督的睡眠分期模型分期准确率为76.02%,有监督的睡眠分期模型分期准确率为94.33%。两种睡眠分期模型分别在在数据无标注和有标注的情况下,减小数据的边缘概率分布差异,提升模型性能,对比其他算法,本文方法达到了更高的分期准确率。此外,搭建了基于fine-tune的睡眠分期模型,该模型的分期准确率为81.04%,该模型能够对齐数据的联合概率分布,提升睡眠分期准确率。以上研究结果表明,本文提出的睡眠分期模型能够较好地解决由个体差异、环境差异、通道差异和采集设备差异带来的数据分布差异问题。