La electroencefalografía (EEG) es una señal comúnmente utilizada para detectar la actividad cerebral y diagnosticar trastornos del sueño. El puntuaje manual de las etapas del sueño es una tarea que consume mucho tiempo, y extraer información de la señal EEG es difícil debido a las dependencias no lineales de las series temporales. Para resolver los problemas mencionados anteriormente, en este estudio se desarrolló un modelo de aprendizaje profundo de la señal EEG del sueño utilizando una red neuronal recurrente bidireccional (BiRNN) para la codificación y decodificación. Primero, la señal de entrada fue despejada utilizando el método de umbral de wavelet. A continuación, la extracción de características en los dominios del tiempo y la frecuencia se realizó utilizando una red neuronal convolucional para ampliar el alcance de la extracción de características y preservar la información original de las características EEG en la medida de lo posible. Finalmente, la información de series temporales fue minada utilizando el módulo de codificación-decodificación de la BiRNN, y la discriminación automática de las etapas del sueño de la señal EEG se logró utilizando la función SoftMax. El modelo fue validado cruzadamente utilizando señales EEG de un solo canal Fpz-Cz del conjunto de datos Sleep-EDF durante 19 noches, y los resultados demostraron que el modelo propuesto puede lograr una alta tasa de reconocimiento y estabilidad.