睡眠在人们的生活中占据着举足轻重的地位,拥有一个良好的睡眠有利于人们保持精力充沛和身体健康。然而,在快节奏的生活里,越来越多的人受到睡眠疾病的困扰,睡眠疾病如果没有得到及时治疗,就会出现内分泌失调或是诱发其他身体疾病。睡眠分期是研究睡眠疾病的前提,它是判断睡眠质量的一种方式。准确的睡眠分期不仅可以帮助人们正确认识自己的睡眠情况,也有助于医生诊断睡眠疾病。多导睡眠图和基于脑电信号的睡眠分期判别是目前常用的睡眠分期方法,它们虽然能够较好的判别睡眠状态,但是数据采集困难、费用高,不适用于日常生活中对睡眠的监测。心电信号和呼吸信号作为日常生活中可检测的生理活动信号,它们与睡眠状态之间存在一定的相关性,并且相比较于脑电信号,它们采集简单,更适合作为睡眠检测的输入信号。因此,本文提出一种基于多信号融合的睡眠分期方法。本文主要研究内容如下:（1）信号预处理与特征提取。采集到的心电信号和呼吸信号中常常夹杂着环境或人为噪声,这些噪声可能会影响模型的分类精度。因此,本文利用小波变换和Kasier低通滤波器对心电信号和呼吸信号进行滤波预处理。对滤波后的心电信号和呼吸信号进行信号位置检测,检测心电信号中QRS波所在的位置和呼吸信号中波峰波谷的位置。利用心电信号中R波和S波提取出心电呼吸信号,并与心电信号相耦合得到心肺耦合信号。最后,从时域、频域和非线性三个方面提取心电信号、呼吸信号和心肺耦合信号的特征数据。（2）模拟退火算法改进粒子群优化算法。针对粒子群优化算法的早熟性和寻优效率低的问题,本文进行相应改进。通过引用惯性权重和对加速常数的改进,并且根据模拟退火算法的特点对粒子群优化算法进行改进。利用Matlab进行仿真对比实验,发现改进后的粒子群优化算法在一定程度上能够缓解粒子过早陷入局部极值的问题。（3）改进粒子群优化极限学习机。针对极限学习机初始化参数生成方式的随机性,以及如何选择出具有代表性的特征数据,本文将改进粒子群优化算法与极限学习机相结合,利用改进粒子群优化算法对极限学习机中隐含神经元的个数以及对特征数据的选择进行寻优,同时建立睡眠分期模型并进行相关实验。实验结果显示,对隐含神经元数量和特征数据进行寻优,能够有效提高模型的精确度。与已有的睡眠分期模型进行比较,发现本文所提出的睡眠分期模型有着良好的表现力,能够得到较好的睡眠分期结果。