El papel fundamental del sueño ha llevado a extensas investigaciones dirigidas a la clasificación automática de etapas del sueño. Sin embargo, los métodos existentes tienen un rendimiento deficiente al clasificar pequeños grupos o individuos, y estos resultados a menudo se consideran atípicos en términos de rendimiento general. Estos valores atípicos pueden introducir sesgos durante el entrenamiento del modelo, afectando adversamente la selección de características y disminuyendo el rendimiento del modelo. Para abordar los problemas mencionados, este artículo propone una red neuronal convolucional secuencial basada en un ensamble (E-SCNN) que incorpora un módulo de agrupación y redes neuronales. E-SCNN combina de manera efectiva técnicas de aprendizaje automático y aprendizaje profundo para minimizar los valores atípicos, mejorando así la robustez del modelo a nivel individual. Específicamente, el módulo de agrupación categoriza a los individuos en función de similitudes en la distribución de características y asigna pesos personalizados en consecuencia. Posteriormente, al combinar estos pesos adaptados con las capacidades robustas de extracción de características de las redes neuronales convolucionales, el modelo genera clasificaciones de etapas del sueño más precisas. El modelo propuesto se verificó en dos conjuntos de datos públicos y los resultados experimentales demuestran que el método propuesto obtiene precisión general del 84.8% en el conjunto de datos ampliado de Sleep-EDF y del 85.5% en el conjunto de datos MASS. E-SCNN puede aliviar el problema de los valores atípicos, lo cual es importante para mejorar el monitoreo de la calidad del sueño para individuos.