睡眠对我们的健康具有深远影响，睡眠不足或睡眠障碍可能导致身体和心理方面的诸多问题。尽管以往研究已取得重要成果，但在优化深度学习模型方面仍面临挑战，尤其是在高精度睡眠分期分类任务中，多模态学习的实现尤为困难。本研究提出了一种名为MC2SleepNet（基于对比学习与交叉掩码的多模态睡眠分期网络）的新方法。该模型通过引入对比学习与交叉掩码机制，旨在促进卷积神经网络（CNN）与Transformer架构在多模态训练中的高效协同。原始单通道脑电图（EEG）信号及其对应的频谱图数据，为多模态学习提供了具有不同表征特性的数据模态。实验结果表明，MC2SleepNet在SleepEDF-78数据集上达到了84.6%的分类准确率，在Sleep Heart Health Study（SHHS）数据集上更是达到了88.6%的准确率，均达到当前最优水平。这些结果充分证明了所提出网络在小规模与大规模数据集上均具备优异的泛化能力。