人体的连续动态生理信号记录着人体的生理波形和生命体征数据,包括脑电、心电、眼电、肌电等电生理信号,以及呼吸率、血氧饱和度、血压等生命体征参数。在这些连续动态生理信号中,人的脑电波是由高级中枢神经系统产生的一种生物电信号,蕴含着丰富的人体生理及病理信息,具有信噪比低、频率低、随机性强等特征。利用脑电图（Electroencephalogram,EEG）判断人体的生理状态成为了一种主流的研究方向。另外,由于近年来,越来越多的人受到失眠、多梦等睡眠障碍的困扰,目前世界上的许多国家都对于人类的睡眠研究投入也变得越来越大。实现睡眠质量的评估是该研究的首要目的,而睡眠状态的评估,也就是睡眠分期,是实现睡眠质量评估的前提。同时,研究睡眠相关疾病的第一步,也是十分重要的一步,也是进行睡眠分期。所以对于睡眠分期的研究意义重大,睡眠质量的评估以及睡眠类疾病的诊断也成为了研究热点。本文主要研究内容为利用基于散度度量的异常检测算法查找脑电信号中的异常,以及结合该异常检测算法,利用神经网络对睡眠分期处理方法进行研究。首先,本文论述了异常检测和睡眠分期的研究背景及意义,以及各自的国内外研究现状。其次,介绍了本研究涉及到的背景知识,包括异常检测、脑电信号及睡眠等相关理论和人工神经网络这一关键技术。然后,介绍了利用基于散度度量的异常检测算法对脑电信号进行检测的流程、各个部分的原理及方法,并做出了优化,给出了结果图。随后,指出了传统睡眠分期中的弊端,并结合异常检测算法对该问题进行解决。接下来,设置一维卷积神经网络并制定训练策略,利用该网络对脑电信号进行分类,实现了睡眠分期,最终在SHHS1数据集和Sleep EDFx数据集上分别取得了89.3%和85.8%的准确率,并且给出了异常检测算法的性能的统计结果以及睡眠分期性能与其他算法的比较结果。最后,本文结合近年来的社会观念变化及相关法律法规对睡眠分期问题的发展趋势进行了展望。