睡眠分期可以帮助人们进行准确的睡眠质量评估，改善人们的睡眠质量，检测睡眠相关疾病。传统的睡眠分期方法主要由睡眠专家对受试者整夜的睡眠数据进行视觉分析完成，工作量大，效率低下，并且不同睡眠专家标注的一致性较低。睡眠自动分期方法已经成为睡眠医学领域的研究重点，已经有许多国内外的学者对其进行了研究。　　本文的主要目的是研究一种基于睡眠脑电和眼电数据的睡眠自动分期方法，主要从信号处理方法，特征提取和分类器选择三个方面进行研究。　　1.信号处理方法采用基于周期分割的时域分析方法对睡眠脑电和眼电数据进行处理，去除脑电和眼电信号的杂波并且合并不完整波，使脑电和眼电信号的周期划分更为精准。　　2.特征提取主要从两个脑电和一个眼电通道提取不同节律波在一帧数据中的平均幅值和时长占比作为特征，每个通道提取14个特征，三个通道一共提取了42个特征。　　3.主要选择支持向量机、随机森林和双向LSTM(bidirectional Long Short-Term Memory)神经网络作为分类器对提取的时域特征进行分类，通过交叉验证的方法对分类器泛化性能进行评估，实验结果表明双向LSTM神经网络可以利用睡眠数据序列的时间上下文信息，分类泛化性能最好，睡眠各期的平均准确率可以达到84.8％，同时证明了本文提取的时域特征能够有效反应各睡眠阶段的变化。　　4.因为睡眠脑电和眼电数据是一维时域波形，因此本文设计了深度卷积神经网络架构，分别在不同通道进行一维卷积而自动从原始的一维时域波形中提取特征，而不再依赖手工设计的特征，实验结果表明卷积神经网络能够自动从睡眠脑电和眼电数据中提取特征完成自动分期，取得了84.3％的准确率。对于卷积神经网络提取的特征，分别使用支持向量机，随机森林，双向LSTM神经网络作为分类器，实验结果表明双向LSTM神经网络分类器的睡眠各期平均准确率达到了86.0％，进一步提高了睡眠分期的准确率。