针对传统的自动睡眠分期准确率不足问题，提出一种将多尺度熵（MSE）和主成分分析（PCA）联合使用的自动睡眠分期方法。以8例受试者睡眠脑电（EEG）监测数据及专家人工分期结果作为样本，首先使用MSE表征受试者脑电信号不同睡眠期的非线性动力学特征；然后使用PCA的前两个主成分向量代替MSE特征进行降维，实现降低数据冗余的同时保留绝大多数EEG非线性特征；最终将新向量的特征参数输入到反馈神经网络(BPNN)分类器中实现MSE-PCA模型的脑电睡眠状态的自动识别分类。实验结果表明，自动分期准确率可达到8

睡眠研究对于人的身心健康和工作生活有着重要的意义。睡眠过程中不同状态的标注，是睡眠研究的一个基础工作。本文采用单通道的脑电信号数据，将数据输入到深度置信网络中进行特征表达和分类学习。通过利用39个晚上的睡眠数据进行测试，达到了82.26%的平均分类准确率。