睡眠是保持人体各方面机能正常运转的不可缺少的生理现象，随着社会的发展，人们的生活压力陡增，越来越多的人受到睡眠问题的困扰。日间短时睡眠能够有效帮助人们从疲劳中快速恢复，受到越来越多的人的关注。然而，短时睡眠持续时间过长会使人产生睡眠惯性，进入深睡眠状态后再醒来反而感觉更加疲劳。因此，控制睡眠的有效时长是保持短时睡眠积极作用的关键问题。　　本课题以白天短时睡眠中同步记录的脑电信号为研究对象，通过分析脑电信号的特征，建立表征人体睡眠状态的参数模型，为进一步调整和控制短时睡眠的有效时长提供客观评价依据。本文的主要工作有如下几个部分:　　首先，针对脑电信号的特征提取问题，结合条件概率的统计分析方法，实现了特征的融合处理，从而能够为后续的睡眠状态分析提高运算效率。同整夜睡眠相比，日间的短时睡眠过程在睡眠状态变化规律上呈现出更加频繁和复杂的变化。本文采用短时间数据段来获取其频域特征，结合各特征参数的概率密度分布，研究了基于条件概率的特征融合方法，在不丢失特征参数的有效信息的同时，减少了特征个数，为后续的睡眠状态分析提供了运算便利。　　然后，针对短时睡眠状态分析问题，提出了基于ARMA的睡眠状态参数模型，能够用于睡眠状态变化趋势的分析，从而为控制睡眠的有效时长提供客观评价依据。尽管短时睡眠过程中的睡眠状态变化规律较难获取，但是睡眠状态的变化仍存在循序渐进且前后相关的特点。本文对融合后的脑电特征参数进行了ARMA建模，使得每个短时间数据段的参数不仅与当前时刻有关，还与过去一段时间的睡眠状态有关。所建立的睡眠状态参数模型，能够较好地观察到短时睡眠过程中睡眠状态的持续变化和过渡变化情况，为控制睡眠有效时长避免进入过度睡眠提供了客观依据。　　最后，为了进一步验证特征融合和参数模型方法的有效性，结合日间短时睡眠的实验数据，进行睡眠状态的定量分析和评估。睡眠分期是研究睡眠过程常用的定量分析方法，短时睡眠过程中包含了觉醒期、浅睡眠一期和二期。本文采用支持向量机方法，对整个短时睡眠过程的睡眠状态进行了睡眠分期自动判别，并对判别结果进行了比较和分析。结果表明，本文所提出的基于特征融合的AMRA睡眠状态参数模型，在睡眠分期判别上有较高的准确率，能够为短时睡眠过程中的睡眠状态分析提供可行的客观分析方法。