人的一生中大约有1/3的时间是在睡眠中度过,睡眠质量的好坏与人类的身心健康和工作生活有着极为密切的关系。睡眠过程会经历几个相对稳定的睡眠状态,医学上称之为睡眠分期,而睡眠脑电是研究睡眠分期最基本和最有效的途径。随着人们对睡眠问题的不断关注,便携式脑电系统将会是未来睡眠监测的发展方向。便携式脑电系统由于应用场景和用户体验的考虑,大都采用单通道进行脑电数据的采集。因此,本文主要基于单通道睡眠脑电信号对便携式脑电系统的睡眠自动分期方法进行深入研究。睡眠自动分期是一种高效的模式识别技术,也是睡眠研究的重点问题和关键问题。通过对睡眠自动分期基础理论的梳理,对睡眠自动分期常用方法的总结与分析,本文提出了一种基于多分析域的脑电多参数特征提取方法。该方法首先使用SWT阈值去噪对原始脑电信号的噪声进行了去除,随后对去噪信号进行归一化处理,以此作为后续研究的基础。然后使用CEEMDAN算法分析归一化后的信号,得到信号在多时间尺度下的IMF分量,并基于多分析域信号与多个IMF分量,进行脑电信号的多参数特征提取。随后,研究与对比了睡眠自动分期的分类算法,最终使用Bagging算法作为分类器,根据提取的特征完成睡眠自动分期工作。同时,基于该方法设计并实现睡眠自动分期原型系统,该系统主要包括文件处理模块、信号去噪模块、信号分析模块、分类效果模块与睡眠自动分期模块,各模块为系统的运行提供了功能支撑。最后,本文对分期结果进行了分析,使用Sleep-EDF睡眠数据库的数据对原型系统进行了测试,验证了系统功能的正确性与完整性。通过测试可以发现,本文提出的方法能够利用单通道睡眠脑电进行较为准确的自动分期,实现的原型系统能够完整的演示自动分期过程,能够为更加成熟的便携式睡眠分期智能系统提供技术支撑。