睡眠是一种影响整个生物体的广泛的生物现象。在人类中,与睡眠相关的疾病会降低患者睡眠质量进而影响到他们生活质量。睡眠呼吸暂停是一种常见的睡眠相关的疾病,严重影响了现代社会很多人的健康。多导睡眠监测（Polysomnography,PSG）是目前临床上检测睡眠呼吸暂停的主要方法。但是存在着很多不便,也给相关医生很大工作压力。目前,已有相关文献探究了自动对患者进行睡眠呼吸暂停判定可能性。研究人员能够基于人工智能领域的知识对患者进行睡眠呼吸暂停的自动判定,但是这些方法还存在进一步研究的空间。主要是因为目前的方法一方面需要大量的工作在特征提取上,另一方面之前的大量研究集中在区分正常睡眠和睡眠呼吸暂停,而关于进一步对不同种类的睡眠呼吸暂停的区分较少。所以本文应用了不同的深度学习模型,通过对比不同的模型结构所得到的结果来实现对PSG信号的睡眠呼吸暂停的分类工作。本文中,模型主要采取了深度神经网络模型,其中用到了卷积神经网络（CNN）和循环神经网络的变体长短时记忆网络（LSTM）。本文的模型结构没有专门的特征提取的步骤,实现了端到端的睡眠呼吸暂停的判定。本文选用了 physionet challenge 2018年竞赛的PSG多导图的数据库作为实验数据,该数据库是当年举办的一项关于微觉醒相关的竞赛所使用的数据。数据库中有我们需要的关于睡眠呼吸暂停的标签,故可以用来进行睡眠呼吸暂停相关的研究。本文中我们从中选择了 800个人作为数据集,并从其中抽取出来共有162397条数据片段,针对正常和睡眠呼吸暂停的分类最高准确率达到90%。针对呼吸暂停和低通气两者间的分类效果准确率达到85%。表明了本文所提出的基于深度学习的模型在对患者的睡眠呼吸暂停的判定方面具有一定的实用性。