睡眠是人体保持健康的重要生理过程，基于多导睡眠图（Polysomnography，PSG）的睡眠分期是诊疗睡眠疾病和评估睡眠质量的重要依据.　人工睡眠分期法在处理大规模PSG数据时存在耗时久、效率低的问题，采用深度学习模型有效表征　PSG的自动睡眠分期法显现出广阔的研究前景　.　针对现有模型未充分考虑　PSG片段内波形信息、通道间相关性信息、片段间睡眠转换信息的问题，本文提出一种基于Transformer架构的多层级睡眠分期网络模型（Hi⁃erarchical　Transformer　Sleep　Staging　Model，简称HierFormer），采用Transformer编码器有效提取片段内波形特征、通道相关性特征、片段间转换特征，并结合注意力机制综合提升模型对于PSG片段内、通道间、片段间三种视角信号特性的可
解释性.　基于睡眠集-欧洲数据格式（sleep-European　Data　Format，sleep-EDF）扩展睡眠数据集开展的实验结果表明：本文模型利用更少的参数量取得优于多种现有基线模型的分期性能，分类准确率、宏平均精确率、宏平均召回率、宏平均F1分数、科恩卡帕系数分别可达到0.807、0.784、0.735、0.750和0.721.　通过在三种视角下不同特征编码方式的性能对比和注意力分数的可视化，本文进一步证明了所提模型良好的编码能力和可解释性.　本研究旨在为睡眠分期领域的深度学习应用提供新途径和新技术，从而辅助医生提升睡眠疾病诊疗效率.