睡眠是一种重要的生理活动,其质量是评价人体健康的重要指标。准确的睡眠分期是进行睡眠质量评估的前提,也是进行睡眠研究的基础。传统的睡眠分期是通过多导睡眠图（PSG）进行的,其获取方法较为复杂,需要大量的人力和物力,且需要在实验室或者医院进行,难以满足日常睡眠监测的需求。因此,寻找一种简单有效的睡眠分期方法,成为亟待解决的问题。本研究在分析心率变异性（HRV）和睡眠分期关系的基础上,提出了一种基于心电（ECG）信号的自动睡眠分期方法。首先,联合完全噪声辅助聚合经验模态分解（CEEMDAN）算法和快速独立分量分析（Fast ICA）算法的优点滤除睡眠状态下ECG信号中的噪声;其次,使用Pan-Tompkin算法提取ECG信号中的RR间期序列,并剔除异常值;然后,使用小波包分解（WPD）对RR间期序列进行分解并提取能量特征,得到HRV特征;最后,使用随机森林（RF）算法对特征数据进行建模,实现自动睡眠分期,其具体内容如下所示:1、联合CEEMDAN算法和Fast ICA算法的优点提出了一种基于CEEMDANFast ICA的ECG信号降噪方法,并将本实验算法与小波阈值法（WT-Subband）和S变换法进行对比,根据结果讨论降噪算法的优劣性。2、介绍了HRV的时域分析、频域分析和非线性分析方法,且将WPD算法应用到HRV特征提取中,并设计了基于ECG信号的自动睡眠分期算法。3、使用RF算法对经过预处理后的数据进行训练和测试,得到睡眠分期模型,实现清醒期（W）、非快速眼动期（NREM）和快速眼动期（REM）的自动睡眠分期。本实验通过CEEMDAN-Fast ICA对ECG信号进行降噪,并使用WPD算法提取RR间期序列的HRV特征,然后使用RF算法得到睡眠分期模型,实现了基于ECG信号的自动睡眠分期。由实验结果可知,健康受试者睡眠分期的精确率、召回率、F-值和准确率分别为0.720、0.729、0.716和72.9%,患有睡眠障碍受试者睡眠分期的准确率、召回率、F-值和准确率分别为0.780、0.777、0.843和77.8%,能够满足日常睡眠监测需求。