睡眠是一项对人体健康至关重要的生理活动。更加精准和全面地监测人们的睡眠状况对于医学研究和临床实践方面均有重大的研究意义。睡眠阶段分类是有效诊断和治疗睡眠相关疾病的关键步骤之一。随着深度学习技术的不断发展,使用计算机来认知并处理信号的场景越来越多,诸多智能化、自动化的生理信号识别方法被提出。为了利用计算机的辅助诊疗功能提升医师的工作效率,本文基于深度学习技术对自动化睡眠分期任务展开了研究。具体工作如下:首先,本文对睡眠分期任务在医学及计算机领域的研究现状和相关技术方法进行了调研和总结,对比分析了传统睡眠分期算法和基于深度学习的睡眠分期算法的优劣,同时明确了现有方法的问题和下一步的研究发展方向。此外,本文还将详细介绍睡眠分期的规则和多模态睡眠信号相关知识及分析方法。同时,本文对深度学习神经网络的部分技术进行详细阐述。其次,本文提出了一种基于残差学习和多粒度特征融合的睡眠分期算法。已有的深度学习睡眠分期算法通常基于局部学习的思路,无法挖掘全局信息和局部信息之间的关联性。为了解决这个问题,该算法提出了两个关键技术分别是多粒度特征残差学习模块以及注意力感知融合模块。其中,多粒度特征残差学习模块是一种多分支深度网络,利用权重不共享的三个分支网络提取输入数据的多粒度特征,以此增强特征的粒度多样性。该模块的每一分支都是以残差块为基础单元进行搭建的,因此网络性能不会随着层数的加深而下降。进一步,注意力感知融合模块被用来对不同粒度的特征进行网络感知权重分配。实验证明,提出的模块能够有效提升网络架构的分类性能。最后,本文提出了一种基于数据自适应和多模态特征融合的睡眠分期算法。该方法使用HHT算法对原始信号进行自适应分解并转化为时频特征,来降低生理信号的非平稳性和个体差异性的影响。为了充分利用多模态数据之间的协同性和互补性,提出的方法使用两个异构特征学习子网络分别学习脑电数据和眼电数据的高阶信息表征,并利用多模态联合表征分类子网络拟合上述多模态异构特征之间的非线性关系,实现特征之间的深度融合。实验结果表明,本文提出的多模态融合算法能够有效提升单一模态的分类准确率,在两个数据集上均保持良好的性能,具有一定的鲁棒性。