睡眠是人类常见而又重要一种生理现象，脑电图(electroencephalograph，EEG)是研究睡眠过程和评估睡眠质量的一个重要工具。早期的脑电图通过专家目测评价，睡眠分期几乎是睡眠研究中最为枯燥和繁重的工作。睡眠自动分期不但可以使人从繁重的工作中解脱出来，而且还能够减少人工分期的主观性，提高了工作效率，减少了误差。 传统的睡眠脑电信号的分析方法主要是以分析睡眠脑电波形的几何性质为主的时域分析方法和分析睡眠脑电的功率谱、相干函数等为主的频域方法来区分睡眠的几个阶段。实践表明，应用传统的分析方法分析睡眠各期的脑电活动，提取的信息量有限，难以满足临床上的要求。根据脑电信号的特征，本文中使用了非线性动力学的复杂性测度的方法处理睡眠脑电信号以达到睡眠分期的目的。在处理的过程中，分别使用了近似熵复杂度和Lempel-Ziv复杂度算法对睡眠脑电序列进行分期处理，比较了两种复杂度算法的优缺点，并且将加窗的Lempel-Ziv复杂度算法的实验结果与没有加窗的Lempel-Ziv复杂度算法的实验结果进行了比较，实验结果表明：加窗的复杂性测度算法能够更好地将睡眠的不同阶段有效地区分开来。 睡眠脑电序列经过复杂性测度算法后得到的是一个数据集，数据集中的每个数据代表了这段脑电序列所处于的睡眠阶段，本文中应用了BP神经元网络对这个数据集中的数据进行分类，将这些数据分别划分到各自所属的睡眠阶段。实验中，使用Matlab软件对网络进行了训练，实验结果中，得到了网络的收敛曲线，并得到了较高的识别率。实验证明使用BP网络对复杂度值进行分类是完全可行的。