睡眠是一种重要的生理现象，脑电图(EEG)是研究睡眠的一个重要而有力的工具。脑电信号种包含大量的生理和病理信息，在睡眠相关疾患和脑科学研究中起着非常重要的作用。本文简要介绍了小波变换、小波包分解的原理，并利用这两种先进的信号处理方法对原始脑电信号进行了去噪、伪迹去除等预处理。在去噪基础上，对睡眠脑电信号进行了详细的小波熵、近似熵、功率谱熵特性分析和复杂性测度分析。 脑电信号是由脑的神经系统产生的电生理反应，信号非常微弱，且具有非平稳性和低信噪比的特点，易受诸如眼电、心电和肌电干扰及白噪声等干扰因素。在原始脑电信号预处理中，论文中采用了小波软门限阈值和小波包自适应阈值去噪两种分析方法，在脑电去噪中取得了比较好的效果。 本文应用多种非线性方法和时频分析方法对脑电在各种睡眠的变化特性进行了分析及对比研究，试图从客观量化的复杂性测度来描述整个睡眠过程中睡眠深度的变化情况。论文中采用的分析指标有：Kc、C0、C1、C2复杂度；功率谱熵和近似熵；重点应用小波变换和小波熵对各期脑电特性及其脑电四个基本节律下动态特性进行了分析研究。实验结果表明复杂度(C2除外)、功率谱熵、近似熵和小波熵在睡眠各期中具有显著差异，并且呈现出规律性的变化趋势，在清醒期最大，到S1、S2期逐渐减少，S3、S4期达到最低值，REM期介于清醒期和S1期之间，而C2值的变化则与它们相反，尤其在深睡期显著升高；小波熵既能区分长时间段EEG复杂度之间的差异，又能反应微状态下的变化特性。结果表明，上述复杂性测度在睡眠脑电特征提取和特性研究中都取得了良好的效果。 脑电图一般数据量比较大，只能由专业的脑电图专家判别，人工对睡眠分期是一项十分繁重的工作，同时由于伪迹的干扰，不同专家由于主观因素导致人工分期不完全相同，研究准确高效的睡眠自动分期方法有重要的实际意义。本文利用近似熵阈值对睡眠脑电进行分期，与人工分期结果相比较，近似熵分期平均符合率达70％以上，有较好的分期效果。本文利用的时频分析方法和非线性动力学方法在对睡眠脑电的特性分析及睡眠分期研究中，都获得了较好的效果。