睡眠是人类生命活动中复杂且必不可少的生理过程。随着社会节奏的日益加速,人们的睡眠质量被各种因素所影响,睡眠障碍已成为世界公认的社会和民生问题。为了更加有效的评估睡眠质量,多种方法被提出以用于睡眠分期任务。目前,睡眠分期任务在数据方面和模型方面均存在一些痛点:在数据方面,由于睡眠脑电通常为不平衡类别数据,在训练过程和分期结果上均存在大众类倾向的问题。此外,脑电信号中的各式内外部干扰源也严重影响了数据的有效性。其中,眼电伪迹对脑电信号的影响最大;在模型方面,早期专家人工睡眠分期方法存在专家经验和人为误判等问题,而基于传统机器学习的睡眠分期方法则在特征提取环节复杂繁琐。现阶段基于深度学习的自动睡眠分期是一个热点,但存在分期结果准确率提升缓慢、模型通常过于复杂庞大而不适用于便携式睡眠监测设备等问题。本文结合事件相关电位技术和深度神经网络技术,分别针对上述痛点问题进行了以下工作:（1）本文在数据预处理部分提出相对电压阈值方法进行坏值剔除操作以辅助消除眼电伪迹。该方法可以降低清醒期的眼电伪迹干扰,保留快速眼动期的眼电信息以提供更多有效信息辅助睡眠分期判定。此外,在模型训练中引入Focal Loss作为损失函数以改善样本类别不平衡问题。（2）本文提出基于注意力机制的自动睡眠分期方法,构建了4个基于软注意力机制的自动睡眠分期模型。为了提升现有基于深度学习的自动睡眠分期模型的分期效果,所提出的Deep Sleep Net-SE模型和Deep Sleep Net-CBAM模型以Deep Sleep Net的模型结构作为基础,分别引入软注意力机制SE模块和CBAM模块。在注意力机制部分采用瓶颈层代替原有全连接层以减少层间频繁的维度变换、节省计算量和增加模型非线性表达能力。去掉原有双向长短时记忆网络上的快捷连接操作,在注意力机制部分采用残差结构来进行改进,使网络更加注重于注意力机制部分的学习。为了探索轻量化模型以适用便携式睡眠监测设备,提出了Attention Sleep Net-SE模型和Attention Sleep Net-CBAM模型,模型采用卷积神经网络、注意力机制和空洞卷积神经网络的组合来有效精简网络,从模型参数量、模型空间占用和运行速度等多方面降低模型复杂度,使得基于深度学习的自动睡眠分期模型可适用于便携睡眠监测系统和设备。本文实验采用了公开数据集Sleep-EDFx中前20位个体的整夜睡眠数据。实验结果显示,本文提出的4种基于注意力机制的自动睡眠分期模型大多取得了85%以上的整体准确率、78%以上的宏平均F1值和85%以上的加权平均F1值。其中,最佳模型Deep Sleep Net-CBAM模型的整体准确率为86.84%、宏平均F1值为79.82%以及加权平均F1值为86.77%。Attention Sleep Net-SE模型和Attention Sleep Net-CBAM模型以0.3M左右的模型参数量、1.4MB左右的空间占用和平均每样本0.15毫秒左右的预测时间证明了网络的有效精简。本文所提出的基于注意力机制的自动睡眠分期方法不仅提高了模型的分期性能,也使得模型更加轻量化,为基于深度学习的自动睡眠分期方法研究提供了新的思路。