基于脑电信号（EEG）的睡眠分期在临床睡眠障碍的诊断和治疗中具有重要作用。为了把人类专家从繁重的标记工作中解放出来,近年来人们开始利用深度神经网络来制定自动化的睡眠分期系统。然而,尽管监督学习在脑电信号分析领域得到了广泛的应用,但脑电信号在神经网络的传播过程中存在信息丢失的问题,影响了深度特征的表达,并且神经网络的表征性能受到标注数据量的限制。本文从自监督对比学习出发,以基于脑电信号的睡眠分期为主要下游任务,研究面向睡眠分期的脑电信号表征方法。为了解决信息丢失的问题,本文提出了一种新的分类网络框架用于数据驱动的睡眠分期任务,主要通过结合残差网络和多尺度特征融合模型来完成特征提取功能。为了减少分类器产生的输出抖动,设计了基于马尔可夫链的序列校正算法。为了弥补监督学习的数据不足的问题,本文引入自监督学习来通过大量无标签数据获得网络初始化的预训练模型。通过以上设计和优化,本文提出的方法使模型具备更强的脑电信号表征能力,从而能在多个公开数据集的睡眠分期任务上超越现有的方法。本文的主要工作和贡献点总结如下:（1）本文提出了一种新的分类网络框架用于数据驱动的睡眠分期任务。主干网络是一个基于残差块的一维卷积神经网络网络,主要负责脑电信号的特征提取过程。多尺度特征融合模型会将位于主干网络不同深度的特征连接起来,构建特征金字塔,从而帮助模型更好地理解不同尺度的信号。特征的融合必然会伴随着信息的重复,为了减少信息的冗余,本文在多尺度特征融合模块中引入了自适应信道融合模块,通过计算不同通道的注意力来加权原有输入的方式弱化共同特征,增强独有特征,从而提高了特征融合的有效性。通过找回信号丢失的信息的方式来增强网络的表征能力,使模型在Sleep-edfx数据集的睡眠分期任务上达到了83.42%的准确率。（2）本文设计了基于马尔可夫链的序列校正算法来为分类器的预测结果进行后处理。卷积神经网络本身缺少对脑电信号时序信息的捕捉,会认为输入的每个信号都是独立同分布的,从而在一段短暂的持续时间中判断睡眠阶段发生多次变化,即出现了“抖动”现象。为了解决这个问题,本文从睡眠周期这一生理规律出发,考虑到当前阶段和前后阶段的相关性,设计了基于马尔可夫链的序列校正算法,该算法依赖于与睡眠阶段转移规则和马尔可夫链相关的前一阶段分布。通过这个后处理算法,弥补了模型无法获取时序信息的问题,使模型在Sleep-edfx数据集的睡眠分期任务上获得了1.72%的准确率提升。（3）本文设计了一种基于脑电信号的自监督对比学习的方法。由于EEG信号具有获取简单,但标记昂贵的特点,所以本文引入自监督学习来利用无标记数据来弥补监督学习的数据不足的问题,并且可以降低脑电数据的使用成本。在训练过程中,本文为网络设计了一个前置任务,让其匹配由脑电信号产生的对应的变换对。这样,网络就可以通过学习脑电信号的一般性的泛化特征来提高其表征能力。而处理经过信号变换后的多样化数据也可以提高了网络的鲁棒性,即从变化的数据中提取恒定的特征。具体来说,网络的性能取决于信号变换函数的选择和在自监督学习的训练过程中使用的未标记数据的数量。与随机初始化的模型相比,经过自监督学习得到的预训练模型在睡眠分期这个任务上能有约3%的精度提升。