傳統基于機器學習的睡眠呼吸暫停（SA）檢測方法，需花大量工作在特征工程與分類器設計上。本文提出了一種基于卷積神經網絡（CNN）的 SA 自動檢測方法，構建了一個包含 4 個卷積層、4 個池化層、2 個全連接層和 1 個分類層的一維 CNN 網絡模型，通過網絡自身結構實現特征自動提取與分類。利用呼吸暫停-心電圖（Apnea-ECG）數據庫中 70 例整晚單通道睡眠心電圖（ECG）數據對該方法進行了驗證，通過對比實驗發現當輸入為單通道 ECG 信號、RR 間期（RRI）序列、R 峰值序列、RRI 序列+R 峰值序列四種情況時，網絡在 SA 片段檢測上的準確率為 80.1%～88.0%，表明該 CNN 網絡是有效的，能從原始單通道 ECG 信號或其派生信號 RRI、R 峰值序列中自動提取特征并分類。當網絡輸入為 RRI 序列+R 峰值序列時效果最好，在片段 SA 檢測上的準確率、靈敏度和特異度分別為 88.0%、85.1% 和 89.9%，個體 SA 診斷準確率達 100%。研究結果表明，本文提出的方法能有效提高 SA 檢測的準確性和魯棒性，且性能優于近年主要文獻報道，有望應用于配備遠程服務器的便攜式 SA 篩查診斷設備中。