随着现代生活节奏的逐步加快，人们的生活压力不断加大，由睡眠问题引起的疾病越来越多，所以基于交叉学科的睡眠医学研究，得到了医学机构以及高校的广泛关注。目前，在睡眠临床研究中，主要依靠专家亲临现场分析，由于客观原因及人工主观性误判等，导致睡眠分期的准确较低。近年来，医学专家和学者致力于依据信号处理理论和模式识别算法实现睡眠脑电信号(EEG)的自动分期研究，但国外进展较好，国内相对滞后，利用睡眠EEG评估睡眠质量的准确性需待进一步提高。　　论文首先分析了睡眠脑电信号的特点与分期标准，研究了基于脑电信号睡眠特征提取与分期方法，将MIT-BIH生理数据库Sleep-EDF中8例受试者睡眠EEG监测数据作为睡眠过程的分析对象，对脑电信号进行特征提取:利用小波变换算法提取节律波的能量特征;利用多尺度熵算法提取脑电信号不同尺度下的熵值特征;然后使用主成分分析方法(PCA)对节律波的能量和不同尺度熵值两种特征进行融合和降维，以简化分类器的模型结构和减少训练时间。睡眠特征分期过程采用分析睡眠期的模式识别方法，应用BP神经网络和SVM分类器建立睡眠特征的分期模型，并对Wake、SWS、LS、REM四个阶段脑电信号特征进行分类，验证自动睡眠分期系统的有效性。　　实验结果表明，本文提出的小波能量与多尺度熵值作为睡眠阶段的融合特征，能有效的反映睡眠期的时频和非线性特征;主成分分析法可以实现降低原始冗余特征的同时保留绝大多数EEG的睡眠特征;BP神经网络和SVM分类器作为睡眠阶段的分期模型，对EEG睡眠特征均表现出良好的识别分类效果。因此本文提出基于脑电信号睡眠特征提取与分期方法可以实现较高的准确率和稳定性，为睡眠医学研究提供一种新的探索。