睡眠是人类必不可少的生理活动,与人类的身心健康关系密切。然而,睡眠隐患和相关疾病却普遍存在于人群中,睡眠问题已成为社会关注的焦点之一。监测和研究睡眠对于发现有关疾病的病因,引导人们保持健康生活方式,预防睡眠相关慢性病有着重大的实际意义。睡眠监测系统主要监测人睡眠时的各种生理或其他有用信号,目的是对用户进行睡眠状态分期和睡眠质量分析。目前大多数研究集中在监测信号的选取和特征提取,最关键的睡眠分期方法多采用机器学习中的分类算法。在实际应用方面,传统睡眠监测设备主要用于医院监护,费用昂贵、操作复杂,难以满足家庭或社区日常保健的需求。市面上已有的一些睡眠监测系统多数也存在或监测效果不准确,或受环境干扰因素多,监测效果不稳定等缺点。本文的目的是研究和改进睡眠状态分期的算法和模型,提高睡眠分期准确率,并设计一款面向家居环境,全天候、实时、低功耗、非干扰的睡眠监测系统。主要工作是提出了一种快速隐层优化极限学习机,提高了求解精度、泛化能力和稳定性且极少增加时间复杂度。在解决睡眠分期具体问题时,采用分类和预测综合判定方法进一步提高睡眠分期准确率。本文还学习和研究了睡眠监测系统的整个体系,设计和实现了关键算法部分,构建了一个低功耗非干扰的系统框架。具体为:1)提出了一种快速而全面的隐层优化极限学习机,该算法能同时训练多个学习网络,全面兼顾模型泛化能力和隐层结点个数的优化,并通过分布式思想避免大量重复计算。实验结果证明,相对于分布式极限学习机,改进的算法在求解精度、泛化能力和稳定性上大大提高且极少增加时间复杂度,非常适用于解决大规模数据分类问题。2)睡眠分期实际上含有一种隐性的时序关系,因此在使用快速隐层优化极限学习机的基础上,本文采用分类和预测相结合的方法进一步提高睡眠分期准确率,同时优化设计尽量避免重复计算。实验证明,该方法能进一步提高算法分类准确率,时间复杂度也增加不多。3)学习和研究了睡眠监测系统的整个体系,设计和实现了睡眠监测系统的关键算法部分,包括监测信号的选取和处理、睡眠分期时的原始数据的特征提取和选择、睡眠环境评分量化和睡眠质量分析的方法等。4)设计了一个全天、实时、低功耗、非干扰的睡眠监测系统。