خواب سالم نقش مهمی در زندگی روزانه افراد دارد، چرا که در عملکرد کاری، ارتباط با دیگران، حالات اخلاقی و ذهنی آن ها تأثیرگذار است. یکی از اقدامات مهم در تشخیص مشکلات بالقوه ی خواب، طبقه بندی خودکار مراحل خواب است. طبقه بندی مراحل خواب به صورت دستی که توسط افراد خبره صورت می گیرد، کاری بسیار بغرنج و زمان بر است. در این پایان نامه، پیشنهادی نو برای بهبود عملکرد طبقه بندی خودکار مراحل خواب ارائه شده است. این روش بر پایه سیگنال eeg، انتخاب ویژگی و ترکیب طبقه بندها استوار است. ابتدا مجموعه ای از ویژگی های مختلف در حوزه فرکانس، زمان و تبدیل موجک از دو کانال سیگنال eeg استخراج شده است. سپس، برای هر طبقه بند، به صورت جداگانه و با استفاده از روش "انتخاب ترتیبی پیشرو"، بهترین ویژگی ها انتخاب شده است. طبقه بندهای استفاده شده عبارت از تحلیل تمایز خطی (lda)، k همسایه نزدیک تر (k-nn)، و درخت تصمیم گیری (dt) می باشند. از ویژگی های انتخاب شده، به عنوان داده ی ورودی به طبقه بندها استفاده کرده و عملکرد هر کدام بررسی گردید. از آنجایی که هر طبقه بند نقاط قوت و ضعف خاص خودش را دارد و تنها مرحله یا مراحلی از خواب را با نرخ بالا طبقه بندی می کند، تصمیم گرفته-شد تا با ترکیب خروجی طبقه بندها بر این مشکل غلبه کنیم. بدین وسیله از مزایای همه ی طبقه بندها در شناسایی و تفکیک مطلوب همه ی مراحل خواب بهره می بریم. از روش ساده و معروف رأی گیری اکثریت (majority voting) برای ترکیب خروجی طبقه بندها استفاده شده است. نتایج به دست آمده نشان دادند که نرخ کلی طبقه بندی lda، k-nn و dt به ترتیب 70.00 % و 68.72 % و 72.38 % بودند که با ترکیب آن ها به نرخ نهایی 77.57 % رسیدیم و درنهایت توانستیم عملکرد طبقه بندهای پایه را تا حد قابل قبولی بهبود بخشیم تا همه ی مراحل خواب به خوبی شناسایی و تفکیک شوند.