充足的睡眠是人保持健康的基础,通过日常睡眠监测能有效帮助人们对睡眠相关疾病进行预防和诊断。由于睡眠研究的前提是睡眠分期,而传统的睡眠分期是由人工手动划分的,因此当今睡眠研究的重点逐渐倾向于日常睡眠监测和睡眠自动分期,其中,利用易被采集和处理的心电信号进行睡眠自动分期成为了当今研究的热点。为了提高睡眠自动分期方法的准确率和可靠性,本文提出了一种基于心电信号的睡眠自动分期方法,使其能适用于不同的分期标准,并选用了两个睡眠心电数据库（UCDDB和MITBPD）进行测试。本文的主要工作如下:（1）心电信号预处理。针对心电信号的R波定位不准问题,本文采用GQRS算法定位R波,并对其平滑校准和消除异常值,从而得到RR间期和心率变异性（Heart Rate Variability,HRV）信号。为了提高分期准确率,本文从心电信号中构建了R峰值信号。（2）心电信号的特征提取和特征选择。在提取R峰值信号的时域特征以及HRV信号的时域、频域和非线性特征后,对特征集采用均值填充缺失值和z分数标准化,再基于分层抽样划分训练集和测试集,并在UCDDB的训练集上选用递归特征消除的随机森林算法进行特征选择,仿真结果表明本文提出的R峰值信号用于睡眠分期具有可行性和有效性。（3）分类方法选择和优化。基于UCDDB的训练集,选择分类方法进行训练和评估,仿真结果表明利用梯度提升树得到的平均准确率和1F分数都优于其它方法。再采用网格搜索结合交叉验证,优化梯度提升树的超参数,仿真结果表明优化的梯度提升树能有效提高睡眠分期准确率。（4）睡眠自动分期方法测试。为了验证本文所提的睡眠自动分期方法具有可靠性、通用性和稳定性,本文首先采用UCDDB和MITBPD进行测试,并与其它基于MITBPD的睡眠分期相关文献进行对比,然后在不同特征组合（单独的R峰值和HRV特征）和不同人群（基于呼吸暂停低通气指数划分）上进行测试,最后还对睡眠效率进行预测。仿真结果表明,在利用HRV信号进行睡眠分期时,加入本文提出的R峰值信号,可具有更高的稳定性和准确率。同时,本文所提的睡眠自动分期方法能适用于两种睡眠心电数据库、不同分期标准和不同人群,具有较高的准确率、通用性、可靠性和稳定性。另外,本文所提的睡眠自动分期方法能有效预测睡眠效率,进而通过睡眠效率分析失眠。