睡眠分期是评估睡眠质量和诊断睡眠相关疾病的重要依据。对于人类专家而言,睡眠分期是一项高耗时、劳动密集且具有主观偏向性的任务,同时,由于对生理机制的认知水平有限,其结果常常具有易变性。因此,利用人工智能技术对睡眠阶段进行自动且客观统一的分类,具有重要的临床价值。本文从两个角度围绕睡眠分期的深度学习方法展开研究,主要工作及成果如下:（1）为了探索不同通道数据对睡眠分期的影响,从可视化角度入手,针对深度学习方法可解释性差的问题,提出一种基于层级注意力的全新混合神经网络模型。该模型使用卷积神经网络进行单实例的表征学习,使用双向循环神经网络进行多个连续实例的序列学习。通过构建注意力的层次结构,方便查看不同通道在单实例时间范围内的重要性变化。将本模型的层级注意力可视化,与原始数据的功率谱图进行对比,结果显示,模型对通道的利用基本符合人类认知。同时,在公共数据库sleep-EDF上对该模型进行10折交叉验证,得到的结果表明其性能可与近年先进模型相比较;（2）为了学习睡眠阶段转移的特征,力图提高在过渡集和非过渡集上的识别准确率,提出了一种适用于序列分类的睡眠分期方法,即基于序列学习的多目标学习睡眠分期方法。该方法通过重构基本损失函数,创造性地将睡眠阶段是否转移作为一种二分类任务进行处理,这在睡眠分期领域属于首次。在公共数据库sleep-EDF上利用基准模型进行10折交叉验证,发现该方法最高可将准确率和宏F1值分别提升1.5%和1.46%。研究结果表明,本文提出的模型和方法对自动睡眠分期而言,具有较好的效用。