睡眠是一种重要的生理现象，人类通过睡眠，可以消除疲劳，恢复精神和体力。随着现代社会生活节奏的加快，竞争压力的日益增大，越来越多的人睡眠受到影响，甚至存在睡眠障碍，研究发现睡眠呼吸暂停综合症甚至可能危及到生命。睡眠质量问题越来越受到人们的关注，迫切需要研究新的方法以判断睡眠质量的好坏。另外有些潜在的疾病，特别是大脑疾病，在清醒状态下病灶不容易被发觉，而在睡眠时，由于大脑对外界刺激的反应减少，就会显露出来，而且在不同的睡眠阶段显露的程度会有所不同。所以对睡眠分期作一些基础性研究可为睡眠质量的判断提供理论依据，进而对睡眠障碍及有关病患进行有针对性的治疗提供帮助。目前基于睡眠脑电信号的睡眠分期仍然是研究睡眠分期的最重要的方法之一，脑电信号是由脑的神经系统产生的一种可测的电生理反应，可无创伤测量。在人睡眠过程中，不同的睡眠状态会影响人体其它的一些重要生理参数，如心电、血压、体温、呼吸以及肌电等。因此研究这些生理参数和睡眠分期之间的关系也是对基于脑电睡眠分期的有益补充。本文中选取了心电信号和血压信号，通过文中的算法计算可以发现，与脑电信号相比，心电信号和血压信号的规律性更强一些。睡眠不同阶段的心电血压信号的特征值在不同个体之间的差异与脑电信号相比相对要小。在研究自动睡眠分期的算法时把心电、血压等其它生理信号在不同睡眠阶段的差异也考虑在内能提高睡眠分期的准确性和一致性，这也是将来的睡眠分期研究的方向之一。近年来的研究表明人体的生理信号是有源的、因果的、时变的、非平稳的复杂非线性动力学信号，这使得传统的基于时域和频域的算法不能很好的处理这样的信号。本文应用三种非线性方法对生理信号在各种睡眠期的变化进行了分析，通过样本熵、多尺度熵算法的熵复杂度以及去趋势波动分析的标度指数来刻划整个睡眠过程中睡眠深度的变化情况。样本熵与目前广泛使用的近似熵算法相比一致性要好的多，即对数据长度和嵌入维数不敏感。在S3、S4阶段不能很好的分辨的情况下，使用多尺度小波分析对S3、S4阶段的信号进行特定尺度的重构，结果证明了样本熵与小波的结合能取得良好的效果。多尺度熵算法则同时考虑了多尺度的因素，与样本熵算法结合，也能取得良好的分类效果。而去趋势波动分析则是计算睡眠生理信号的的自相似指数α，不同的标度指数对应着不同的信号类型，标度指数越大则信号的规律性越强。结果也表明了不同的睡眠阶段脑电信号的标度指数是有差异的，去趋势波动分析的分类效果比样本熵要好一些。在文中也发现对心电和血压信号采用和脑电信号一样的方法进行处理时并不能取得令人满意的效果，心电和血压信号不太适合单独进行睡眠分期，但是和脑电、肌电和眼电配合使用时，能大大的提高睡眠分期的正确率。