研究睡眠分期对睡眠疾病的检测、预防和治疗有重要的临床意义。目前睡眠分期的人工判读方法存在效率低,缺乏一致性的客观标准的缺点。针对睡眠脑电的存在伪迹和非线性特点,采用单一的信号处理方法难以进行睡眠分期,本文以离线的方式,利用近似熵和样本熵理论进行特征提取,结合两种特征值进行分期,有效解决了特征提取难和睡眠分期效率低的问题。本论文采用临床医学数据,以睡眠分期为研究对象,从信号处理角度开展相关的睡眠研究,主要研究内容包括：1.睡眠脑电信号复杂,是一种典型的时变、非平稳信号,并且信号微弱,仍有干扰信号和伪迹出现。为了防止失真数据影响后期的分析,采用经典的无限冲激响应滤波器对睡眠脑电信号进行50Hz工频干扰预处理,再利用基于小波变换的小波包分解对睡眠脑电信号进行肌电干扰消除处理,得到不失真的睡眠脑电信号,为进一步处理与分析睡眠脑电奠定了基础。2.针对睡眠脑电信号具有非线性的性质,利用非线性动力学的复杂度理论对其进行特征提取,给出了近似熵、样本熵的算法定义和应用。采用近似熵对睡眠脑电信号进行分析,探索了运用近似熵进行睡眠脑电特征提取的可行性。再选用一种与近似熵类似但精度更好的方法--样本熵进行了分析研究,比较了二者在表征睡眠状态方面的特性。引入支持向量机理论,结合睡眠脑电的两种特征熵值构建二叉树多分类器进行分类识别,达到睡眠分期的目的。结果表明,近似熵、样本熵都能有效获取睡眠脑电信号的睡眠特征；样本熵变化幅度相对于近似熵提高了20%-35%,更准确地反映睡眠状态,比近似熵更具一致性,更符合理论性。最后用基于支持向量机的二叉树多分类器对所提取的睡眠脑电的熵值进行特征分类,在觉醒期与其他睡眠阶段的分类识别率为100%,肯定了用睡眠脑电研究睡眠的可行性。结合近似熵值和样本熵值两种特征值进行分类对睡眠分期的准确度高达80%,比单一的熵值分类的准确度高。