脑电信号（Electroencephalogram,EEG）能够检测到丰富的脑部信息。将脑电信号和人工智能技术相结合应用于不同领域是目前科研热点之一,例如基于脑电信号的癫痫诊断、疲劳驾驶、麻醉检测已经取得良好的效果。睡眠是人类最基本的生理过程之一,对人体各项机能具有着重要的恢复作用,一些与睡眠相关的疾病,如失眠、精神分裂症和自闭症,可以通过分析睡眠阶段来进行诊断。传统的睡眠状态分析方法费时费力,基于脑电信号的快速睡眠分期算法成为本文研究的重点。脑电信号是一种非线性非平稳信号,信号本身十分微弱,需要依赖精确且有效的算法从中提取特征信息,用于睡眠分期。传统特征提取方法效率低下,难以满足快速分期的时效性要求,且由于先验知识不足等原因,易导致关键特征遗漏。深度学习网络如卷积网络（Convolutional Neural Networks,CNN）等具有强大数据分析和挖掘能力,本文将深度学习网络引入睡眠分期的研究,用以弥补传统方法的缺陷;不同脑部生理信号之间具有信息互补特性,在研究中加入模态融合的方法,并选取长短时记忆神经网络（Long Short Term Memory,LSTM）作为分类网络,来提高睡眠分期识别的准确率。本文基于脑电信号和深度学习网络,对SLEEPEDF2013数据集数据进行分析,并提出三种不同的睡眠分期模型:第一种利用互补集合经验模态分解（Complementary Empirical Mode Decomposition,CEEMD）对EEG信号进行分解,然后通过精简后的残差网络（Residual network,ResNet）进行特征提取,最后送入分类网络分类;第二种对EEG信号分别进行三角滤波提取倒频特征和并列卷积网络（Parallel CNN,PCNN）提取特征,融合两种特征后进行分类;第三种通过引入眼电信号（Electrooculogram,EOG）,融合EEG和EOG之间的模态信息来提高非快速眼动第一阶段（N1）分类准确率。本文的创新和贡献主要在以下两个方面:（1）提出了一种CEEMD和精简ResNet相结合的睡眠分期框架:原始信号首先经CEEMD分解后得到IMF分量,然后选取不同数目的IMF分量与原始EEG信号组合,送入精简后的ResNet提取表征特征并融合,最后输入带有Focalloss的LSTM网络进行分类。相对于传统特征提取方法和只使用EEG信号本身进行分类,该方法分类结果有了明显提升。（2）提出了两种基于特征融合的睡眠分期方法:第一种是基于三角滤波和并列卷积网络（PCNN）相结合的特征融合方法,将传统手动特征提取方法与基于深度学习网络的特征提取方法相结合,获取到更多具有区分性的特征;第二种方法主要是基于模态融合,EEG、EOG两种生理信号分别经PCNN提取特征后进行特征融合,并送入双向递归循环网络（BiLSTM）进行分类,通过利用不同模态之间的信息互补性,提高算法的性能。这两种算法都是针对N1时期识别准确率过低而设计,实验结果也表明,这两种方法对N1时期具有更好的识别效果。