睡眠是人类基本的活动,高质量的睡眠状态有利于人体的身体健康。随着生活和工作压力的加大,睡眠相关的疾病在当今社会日益突出,威胁着人们的身体健康和日常生活。目前通过人工标记睡眠分期需要人力和时间成本,效率低且主观性强。该文针对目前睡眠分期的类别不平衡、长时间依赖关系等问题出发,利用深度学习实现自动睡眠分期,在公开的数据集睡眠记录（Sleep-European Data Format,Sleep-EDF）进行网络模型训练与测试。主要工作如下:首先,利用多种信号对睡眠呼吸暂停综合症进行了分析。主要分析了阻塞性、中枢性呼吸暂停综合症以及混淆性呼吸暂停综合征的特点;并对目前有的数据进行了统计分析,得出了不同性别、不同年龄、不同体重指数和呼吸暂停综合症的相关性。其次,构建了以一维卷积为基础的18层深残差网络模型,在网络模型中加入了残差连接来解决深网络层训练中可能会出现的梯度消失或梯度爆炸问题。另外利用长短期记忆网络,学习睡眠时期之间的依赖关系,从而提高网络模型的性能。在SleepEDF数据集上进行训练并通过五折交叉验证对模型进行评估,在额极中点-中央中线电极（Frontal Pole-Central Electrode,Fpz-Cz）通道上,实现了82.6%的准确率和77.9的MF1值,在顶中线-枕中线电极（Parieto-Occipital Electrode,Pz-Oz）通道上的准确率和MF1值分别为:80.3%、75.4。然后,实现了基于门控循环单元的注意力网络模型睡眠分期。通过多尺度并行的卷积神经网络分别提取脑电信号的时频、时域以及频率特征。为了捕获序列信息之间的依赖关系,利用门控循环单元与注意力机制结合学习较长睡眠序列之间长依赖关系,最终实现睡眠分期。另外为了缓解类别不平衡的问题,引入了焦损失函数。在Sleep-EDF数据集上进行训练并通过二十倍交叉验证的方式对网络模型进行评估,在Fpz-Cz通道上的准确率和MF1分数分别是:84.8%、79.7;在Pz-Oz通道上,准确率和MF1分数分别为82.7%、76.4。最后,根据多导睡眠仪信号,分析了睡眠中微觉醒事件,统计分析了微觉醒在不同年龄段、不同体重指数以及呼吸暂停指数的相关性。