心脑血管疾病的增多、人口老龄化问题的突出,使得睡眠质量评估和睡眠类疾病诊断成为21世纪挑战性的研究。提高早期诊断水平并及时予以控制和治疗是降低心脑血管疾病对人类危害的有效途径。本文首先简要介绍了睡眠分期标准及国内外睡眠分期的研究现状,阐述了脑电信号和心电信号的形成机理和生理特点;在此基础上,重点分析和研究了基于小数据量算法的最大Lyapunov指数方法以及衡量时间序列复杂度的近似熵方法在脑电特征提取中的应用,比较了两者在表征睡眠状态方面的特点;同时利用样本熵和去趋势波动分析方法研究了心率变异性信号的非线性特性;论文最后引入基于统计学习理论的支持向量机(SVM)方法对所得特征量进行分类识别。用Matlab软件编写程序进行研究,结果表明近似熵方法较最大Lyapunov指数方法更能有效获取脑电信号的睡眠信息;用非线性方法分析心率变异性信号提取的睡眠信息较少,说明单纯依靠心率变异性信号不能够很好地反映睡眠状态;用支持向量机分析脑电信号和心电信号的特征参数,能够较好地将觉醒期与其它睡眠状态区分,但是对于睡眠状态NREM期和REM期的识别率不高。