随着睡眠紊乱问题的日益严重,睡眠检测设备和自动睡眠分阶技术得到了快速地发展。脑电信号包含大量的生理学信息,已经作为自动睡眠分阶的重要依据。同时,深度学习技术的发展也为睡眠波特征学习、睡眠自动分阶应用提供了重要的技术支撑。然而,脑电信号受周围环境影响包含大量噪声,脑电信号采集仪器的差异性导致数据没有统一的标准。这对脑电数据的智能化分析造成很大的干扰;此外,由于目前深度学习的可解释性较弱,单一特征学习无法描述复杂多变的脑电信号特征,最终导致分类结果不理想。为了解决上述问题,本文从知识迁移和多特征融合两方面展开研究,提出了基于迁移学习的自动睡眠分阶融合网络方法,其主要研究内容如下:1.针对睡眠监测脑电数据不足、不同脑电数据集通道不匹配的问题,提出了基于迁移学习的深度神经网络睡眠分阶方法。研究使用两个睡眠分阶常用的神经网络Seqsleepnet和Deepsleepnet进行研究,首先在源域大型数据集Montreal Archive of Sleep Studies（MASS）上训练好模型参数,初始化上层网络参数。然后,应用目标域sleep-edf expanded的子数据集sleep-cassette,针对网络结构设计了4种不同策略的目标网络微调方法。最终通过5组对照实验,验证了迁移策略的有效性。实验结果表明,本文方法可以很好地适应在不同的脑电信号通道环境下完成知识转移,在小样本上可以有效提高睡眠分阶的准确性。2.针对深度学习网络可解释性较弱,以及单一神经网络对脑电信号表征不足的问题,提出了多网络融合的睡眠分阶方法。本方法结合Seqsleepnet和Deepsleepnet网络,利用快速傅里叶变换提取脑电时频特征,并结合注意力机制和长短期模型,学习睡眠各阶段特征,同时利用CNN网络提取原始EEG数据的不同尺度的睡眠时频特征,并设计LightGBM分类器进行混合特征分类,得到最终的分类结果。本研究共设计了6个实验组,采用了2组数据样本进行验证。实验结果表明,本文方法相比其他对比算法,对于SC健康人的睡眠数据的分阶准确率提高了2.4%-4.94%,对于ST睡眠障碍患者数据集取得了良好的结果,证明了本方法的普遍性和鲁棒性。