睡眠是人类基本的生理活动,具有促进生长、恢复体力、维持心理健康等作用。快节奏的现代生活无形中向人们施加了心理和生理层面的压力,使得睡眠逐渐成为困扰人们生活的问题,据调查全球大约有27%的人正遭受睡眠问题的困扰。睡眠分期是睡眠医学的基础工作之一,为评估睡眠质量、诊治睡眠相关疾病提供依据。传统的睡眠分期工作由睡眠专家手动完成,手动工作较为费时,研究自动睡眠分期方法有利于将专家从繁重的手工工作中解放出来,也有利于提升睡眠分期效率,对促进睡眠健康服务的普及具有重要意义。目前的自动睡眠分期方法大都基于特征工程实现,特征工程方法往往需要手动设计代表性特征,算法模型的智能化水平仍有进一步提升的空间。深度学习方法可以从原生数据中自动学习信息,避免了手动设计特征的繁琐过程。同时,睡眠分类任务不同于一般的分类问题,睡眠状态的过渡呈现时间特性,含有时间计算单元的算法模型更利于提升分类的准确性。结合这些研究特点,本文设计了一种基于多尺度卷积特征和睡眠转移的自动分期模型。本文的主要工作如下:（1）采用Python语言构建一款全新的单通道脑电（Electroencephalogram,EEG）自动睡眠分期算法模型,该模型基于卷积神经网络（Convolutional Neural Network,CNN）和隐马尔科夫模型（Hidden Markov Model,HMM）构建。首先CNN从EEG中提取多尺度卷积特征,之后SENet（Squeeze and Excitation Networks,SENet）注意力机制将以权重分配的方式融合多尺度特征,然后神经网络将从卷积信息中给出预分类结果,最后HMM将学习睡眠状态的转换概率,通过应用睡眠过渡规则来强化分类表现,使分类更贴近真实情况。本文提出的模型在Sleep-EDFx数据集提供的Fpz-Cz和Pz-Oz两个EEG通道上分别实验,结果显示Fpz-Cz通道中分类正确率为0.85,Kappa系数为0.795;Pz-Oz通道上分类正确率为0.81,Kappa系数为0.741。（2）设计一种基于SENet改进的注意力机制。原始的SENet仅关注卷积通道的重要性程度,忽视了对特征空间位置的关注。本文提出了一种基于SENet改进的空间通道注意力模块来融合多尺度EEG特征。改进的模块在原始通道注意力的基础上增加了空间注意力,该注意力用于学习特征空间位置的重要性。应用改进的注意力模块后,模型在Fpz-Cz通道上正确率为0.87,Kappa系数为0.826,在Pz-Oz通道上正确率为0.82,Kappa系数为0.758。实验结果表明改进的注意力模块对分类性能的影响更为积极,具备更好的分类精度。本文实现了基于多尺度卷积特征和睡眠转移的自动分期算法,经过数据集测试验证了其性能,其具备数据需求小、自动特征学习和分类表现好等优点。提出的方法有望应用于睡眠评估和睡眠辅助治疗的系统中。