由于工作压力大、生活不规律等多种因素,导致睡眠障碍发病率逐年递增。睡眠分期在临床上作为评判睡眠障碍的主要指标,一直是专家学者的研究热点。近几年,自动睡眠分期算法研究层出不穷并取得了一定的成果。但睡眠数据集类别不均衡问题使得现有睡眠分期模型对少数类样本分类准确率低。此外,现有模型对时间序列信息的学习能力较弱,难以有效表达相邻样本之间的关联性。为此,本文工作如下:（1）针对睡眠数据集中存在的类别不均衡问题,本文首先提出一种对少数类样本通过左右随机移动0-3s的方式进行数据增强,然后使用集成学习中随机森林和XGBoost算法作为分类器。为了减少噪声干扰,对原始数据进行标准化、滤波处理。然后充分利用希尔伯特黄变换（Hilbert-Huang Transform,HHT）的自适应特性,使用HHT提取时频特征作为分类器输入。在Sleep-EDF20和Sleep-EDF78公开数据集进行验证,结果表明数据增强后两种分类器的总体准确率更高,且XGBoost算法性能更优,在所使用数据集上分别取得了82.7%和79.4%的总体准确率。（2）针对现有自动睡眠分期模型对时间序列信息学习不足问题,本文构建了基于CNN和多头注意力机制的自动睡眠分期模型CMASleep Net。其中CNN通过设置不同大小的最大池化层提取高频和低频特征,多头注意力机制用于学习时间序列信息。此外,为进一步解决类别不均衡问题对分类性能带来的影响,CMASleep Net使用了带权重的交叉熵损失函数,为N1期设置更高的权重。最终模型在Sleep-EDF20、Sleep-EDF78和SHHS公开数据集上分别取到了84.4%、80.8%和82.2%的总体准确率。（3）针对CMASleep Net模型中未考虑网络过深可能引起的梯度消失问题,本文在CMASleep Net基础上结合Bi GRU和SENet网络构建了一种自动睡眠分期模型。通过添加带有残差块的Bi GRU网络对时间序列信息进行初步学习,同时设计了一个残差通道注意力机制模块（RSENet）添加在多头注意力机制模块之后进行校准。最终模型在Sleep-EDF20、Sleep-EDF78和SHHS公开数据集上分别取得了88.0%、86.1%和86.3%的总体准确率。实验证明,本文提出的模型与现有最新研究相比具有优秀的性能,可以起到睡眠分期辅助诊断的作用。