近年来,睡眠分期作为人体睡眠研究的基础和前提,已逐渐成为了睡眠相关领域的重点研究内容。传统的人工睡眠分期需要耗费专家大量的时间以及精力,因此亟需设计出一种有效的自动睡眠分期方法来辅助或者替代人工进行睡眠分期。本文在上述背景之下提出了一种基于深度学习的自动睡眠分期算法,该方法着重于结合睡眠生理信号以及睡眠分期的特点设计有效的深度神经网络模型,使其能够从人体的脑电以及眼电信号中提取有效的特征,从而最终使该模型能够拥有良好的睡眠分期结果及泛化性能。本文的主要研究内容如下:（1）基于深度学习方法,本文结合睡眠生理信号以及睡眠分期的特点,构建了一个具有卷积长短期记忆深度神经网络（Convolutional,Long Short-Term Memory,Fully Connected Deep Neural Network,CLDNN）结构的自动睡眠分期模型。考虑到样本特征以及样本序列信息对睡眠分期的重要性,该模型首先使用卷积神经网络从单个样本中提取样本特征,随后使用双向长短期记忆网络从样本序列中提取样本之间的时序特征,最后对特征进行融合并完成分类。其中,为了进一步提升模型的性能,本文在卷积神经网络中加入了Sinc卷积层,并设计了4 max-pool层以及avg-pool层。本文在公开数据集Sleep-EDF上进行了实验,实验结果表明本文提出的算法的分类性能较为理想,且模型提取得到特征解释性更强,更贴近实际睡眠分期准则,能够有效地提高算法的分期性能。（2）为了解决实际应用中训练数据少的问题,本文以迁移学习为基础,使用微调实现了对模型的跨数据集迁移。其中,本文仅使用2个被试的数据对模型进行微调,以验证模型的性能以及迁移学习在睡眠分期中的可行性。本文在自行采集的新数据集上进行了跨数据集迁移实验,实验结果表明本文提出的模型能够取得良好的迁移结果,具有良好的特征学习能力以及泛化性能。（3）为了实现实时自动睡眠分期,本文去除了离线算法中的输出集成步骤,并改进了算法中的输入信号的截取方法,从而提升了算法的实时性,并以此为基础搭建了在线睡眠分期系统。在线实验表明,该在线睡眠分期系统有效,能够同时取得良好的系统实时性以及睡眠分期性能。