Le sommeil a une influence profonde sur notre santé, et une insuffisance ou des troubles du sommeil peuvent entraîner des problèmes physiques et mentaux. Malgré les avancées significatives obtenues dans les études antérieures, des défis subsistent quant à l'optimisation des modèles de deep learning, en particulier dans le cadre de l'apprentissage multimodal pour une classification précise des stades du sommeil. Notre recherche présente MC2SleepNet (Multi-modal Cross-masking with Contrastive learning for Sleep stage classification Network), un modèle visant à favoriser une collaboration efficace entre les réseaux de neurones à convolution (CNN) et les architectures Transformer, grâce à l'apprentissage contrastif et au masquage croisé, dans un cadre d'apprentissage multimodal. Les signaux bruts à un seul canal d'EEG et les données correspondantes de spectrogramme fournissent deux modalités différemment caractérisées pour l'apprentissage multimodal. Notre MC2SleepNet atteint des performances de pointe, avec une précision de 84,6 % sur le jeu de données SleepEDF-78 et de 88,6 % sur l’étude Sleep Heart Health Study (SHHS). Ces résultats démontrent une généralisation efficace de notre réseau proposé, tant sur des jeux de données de petite que de grande taille.