雷达信号处理中的频谱分析：从FFT到脉冲压缩与多普勒测速

做雷达信号处理仿真这几年，我最深的一个体会是：不管算法多花哨，最后落到工程上，最先看的还是频谱。接收机采完数据，第一件事永远是做FFT看频谱——哪里有尖峰，哪里有底噪，杂波在哪个频段，目标信号有没有被淹没，全在那一张频谱图里一目了然。傅里叶变换和频谱分析在雷达信号处理里的地位，不是“一种可选工具”，而是贯穿发射波形设计、回波处理、目标检测、参数估计全链路的基本功。

这篇内容我整理了雷达仿真里频谱分析最常碰到的几个核心场景，包括傅里叶变换的工程用法、窗函数怎么选、脉冲压缩的FFT实现、多普勒维处理，以及一套可以直接跑的Python仿真代码。适合刚接触雷达信号处理的同学，也适合做信号仿真想系统梳理频谱分析应用的人参考。看完你会理解，为什么一个频域视角能让雷达的测距测速问题变得那么直观。

1. 雷达信号处理为什么离不开频谱分析

1.1 雷达从回波里到底在找什么

雷达系统的工作逻辑说起来很朴素：发射一个已知波形，等它碰到目标反射回来，再从回波信号里反推出目标的位置、速度、方向。问题在于，回波信号不会自己告诉你“目标在3000米处”，它只是发射波形的延迟、衰减和频移版本。目标信息被编码在信号的时间延迟、相位变化和频率偏移里，而这些变化在时域波形上肉眼几乎分辨不出来。

举个例子，一个目标在5公里外，电磁波往返一次大约33.3微秒，这个延迟对应的中频采样点可能只有几百个。如果只看时域波形，你看到的就是两个几乎一模一样的脉冲，很难快速提取出准确时延。但把回波搬到频域，一切都清晰得多。雷达系统设计里所有关键参数——距离分辨率、速度分辨率、最大不模糊距离、最大不模糊速度——本质上都跟频域分析的分辨率和采样率绑定在一起。

频域分析之所以成为雷达信号处理的通用语言，还因为它把“幅度+相位”的复杂时域运算，转化成了“频率分布”的直观图谱。发射信号、接收信号、杂波、噪声在时域上完全混叠，但在频域上可能分布在不同的频段，这为信号分离和参数提取提供了最直接的操作空间。

1.2 傅里叶变换如何让“看不见的信息”显性化

傅里叶变换的核心思想是：任何时域信号都可以分解成一系列不同频率、不同幅度、不同初相的正弦波的叠加。这句话听起来像教科书，但放到雷达场景里特别有用。一个线性调频信号，时域波形是频率随时间扫动的振荡曲线，你能看出来它是个扫频信号，但看不出扫频范围精确是多少；做一次傅里叶变换，频谱上会呈现出清晰的带宽范围，信号的频率结构一目了然。

雷达接收机的中频采样信号，实际上是一个载波频率上叠加了多普勒频移和噪声的复杂波形。做频谱分析时，目标回波表现为某个频点附近的一个尖峰，杂波通常集中在零频或低频段，噪声则是平坦的地板。你不需要从数学上严格推导，只看频谱图就能大致判断信号质量、目标是否存在、频率偏移有多大。

这里可以用一个生活中的例子来理解：交响乐团的演奏，录下来是一段复杂的时域波形，但你在地铁口听的时候，钢琴、小提琴、鼓声混在一起，很难单独分辨某个乐器的音量。频谱分析就相当于给这段录音做了分轨，把每个乐器的音高和音量单独显示出来。雷达信号也一样，回波里混着目标、杂波、干扰和噪声，频域分析相当于把它们拆开摆在桌面上。

1.3 频域视角给雷达系统设计带来什么

频域分析不仅仅是“事后分析用的工具”，它会直接影响雷达系统的顶层设计。发射波形选线性调频还是相位编码，脉冲重复频率设多少，接收机带宽取多少，滤波器怎么设计，这些决策的核心依据都来自于对信号频谱的理解。

举个例子，雷达测距需要大带宽来获得高距离分辨率，但接收机带宽越大，噪声功率越高，检测灵敏度反而下降。这个矛盾在时域里很难直接衡量，放到频域里就非常清楚：带宽决定频谱占用的宽度，噪声功率是频谱底噪的积分。你在频域图上可以直观看到信号谱和噪声底的相对高度，调参数时立刻能看到变化。做仿真时，频域分析还是验证算法正确性的“照妖镜”。匹配滤波结果对不对，多普勒处理有没有问题，看一眼频谱图上的峰值位置和形状就知道了。这也是我建议所有雷达仿真初学者先把频谱分析吃透再去看复杂算法的原因，它是雷达信号处理这个领域真正的地基。

2. 雷达仿真中几种“傅里叶变换”的工程用法

2.1 从连续傅里叶变换到FFT的工程跨越

教科书上的傅里叶变换是连续的积分形式，但雷达仿真和实际系统都是数字信号处理，面对的是ADC采样后的离散序列。离散傅里叶变换（DFT）把连续积分变成了有限点求和，而快速傅里叶变换（FFT）只是DFT的一种高效算法，把运算量从N^2降到NlogN。

这个差距有多大？做一次4096点的DFT，直接算大约需要1600多万次复数乘法，用FFT只需要大约5万次。在仿真代码里，我们直接调用numpy的fft模块，可能感受不到这个差距，但硬件实现时必须精打细算。FFT的提出本身就是数字信号处理史上的里程碑事件，雷达信号处理是它最典型的应用领域之一。

在使用FFT做频谱分析时，有几点要注意：FFT的输入是离散采样序列，输出是对应0到采样率fs的N个频点（实际取前N/2个点，对应0到fs/2）。频率分辨率是fs/N，这意味着仿真参数设计时，分辨率和处理点数要一起考虑。很多初学者在仿真里总抱怨“频率峰值偏了”“目标测不准”，多半是FFT点数或者采样率设置不合理导致的。

2.2 窗函数选择：分辨率与泄漏的取舍

矩形窗的频谱泄漏最严重，但主瓣最窄，频率分辨率最高；Hanning窗和Hamming窗旁瓣较低，适合一般场景；Blackman-Harris窗旁瓣更低，但主瓣展宽明显。实际选窗时要看“分辨两目标的能力”和“抑制强目标旁瓣对弱目标影响”哪个更关键。我自己的习惯是：如果目标是等幅的，用矩形窗或汉明窗；如果目标强弱悬殊（例如强目标旁边有弱目标），果断换Blackman-Harris窗，否则弱目标很可能被旁瓣盖住。

2.3 匹配滤波与FFT加速的解卷积思维

雷达脉冲压缩的核心是匹配滤波，理论上是时域卷积，但实现时几乎都用FFT来做。思路是把回波信号与发射信号副本的共轭翻转做频域乘积，再反变换回时域。时域直接卷积的长度是N+M-1，运算量随点数增长很快；用FFT的话，两次正变换、一次乘积、一次反变换，总复杂度接近O(NlogN)。在仿真里虽然点数和实时性不是大问题，但这个思路要建立起来，因为硬件上大家都是这么做的。

脉冲压缩做完之后，时域波形会呈现一个主瓣窄、旁瓣低的压缩脉冲，主瓣位置对应目标的时延，从而算出距离。这个“频域相乘”的操作，从数学上看就是傅里叶变换的卷积定理的应用：时域卷积等效于频域乘积。理解这一条，后面理解FMCW雷达的距离维处理也会顺很多。

2.4 时频分析：当频谱本身随时间变化时

经典傅里叶变换假设信号是平稳的，频谱不随时间变化。但雷达回波里的有些信号不满足这个条件，比如捷变频信号、步进频信号、机动目标的微多普勒信号。这时只用一张频谱图是不够的，需要用到短时傅里叶变换（STFT）、Wigner-Ville分布这类时频分析工具。

短时傅里叶变换的思路很简单：把信号分成一段段的小窗，对每一段分别做FFT，最后拼成一张“频率随时间变化”的二维图。雷达里最常见的就是微多普勒分析，直升机旋翼、行人摆臂、车辆发动机振动都会在时频图上留下独特的纹理。这也是近年来雷达目标识别方向比较活跃的分支。做仿真时遇到非平稳信号，别急着上复杂算法，先画一张STFT图看看时频特征，往往比直接上深度学习管用得多。

3. 仿真实操：用Python完成脉冲多普勒雷达的测距测速

3.1 场景参数设计：先定指标再写代码

做雷达仿真不能上来就写代码，先把参数理清楚。我设计了一个典型的脉冲多普勒雷达场景：载频10GHz，带宽10MHz，采样率30MHz，脉冲宽度10微秒，脉冲重复频率20kHz，一个相干处理间隔内取128个脉冲。按这个参数推算，理论距离分辨率约15米，最大不模糊距离约7.5公里，多普勒分辨率约156Hz，对应最大不模糊速度约±75米/秒。这个指标组合适合模拟一个中低速运动目标的探测场景。

目标设置距离3500米，径向速度60米/秒，雷达散射截面积（RCS）取1平方米。接收端加入高斯白噪声，信噪比大约-5dB，这个信噪比水平在雷达检测里不算高，能较好展示频谱分析的威力。

3.2 生成线性调频信号与回波

先定义线性调频信号。脉冲宽度10微秒，在采样率30MHz下对应300个采样点；带宽10MHz意味着调频斜率K是1MHz/微秒。发射信号产生后，经过目标反射，回波是发射信号的延迟版本，延迟量由目标距离决定，同时叠加了多普勒频移。多普勒频移的计算公式是fd = 2vr/λ，其中λ是波长0.03米，60米/秒速度对应的多普勒频移约为4000Hz，在20kHz的PRF范围内不会模糊。

仿真里生成回波的代码比较直接：先构造发射信号序列，按延迟量移位，乘上多普勒相移，加上噪声。关键点在于多普勒相移要在每个脉冲之间累加，也就是说第n个脉冲回波的相位比第n-1个脉冲多一个固定的相位增量，这样才能在脉冲维上形成多普勒频率。很多初学者在做多普勒处理时发现频谱峰值出现在零频位置，就是因为漏了脉冲间的相位累加。

python复制import numpy as np
import matplotlib.pyplot as plt

# 基本参数
c = 3e8
fc = 10e9          # 载频10GHz
fs = 30e6          # 采样率30MHz
T = 10e-6          # 脉宽10us
B = 10e6           # 带宽10MHz
prf = 20e3         # PRF 20kHz
pri = 1 / prf
n_pulses = 128     # 脉冲数

# 目标参数
target_range = 3500.0    # 距离3500m
target_vel = 60.0        # 速度60m/s
lambda_c = c / fc
fd = 2 * target_vel / lambda_c   # 多普勒频移约4000Hz

# 距离和脉宽对应的采样点数
range_delay_samples = int(2 * target_range / c * fs)
pulse_samples = int(T * fs)

# 发射线性调频信号
t = np.arange(pulse_samples) / fs
tx_signal = np.exp(1j * 2 * np.pi * (0.5 * (B / T) * t**2))

# 接收回波矩阵：每行是一个脉冲的采样
samples_per_pri = int(pri * fs)
rx_matrix = np.zeros((n_pulses, samples_per_pri), dtype=complex)

for n in range(n_pulses):
    phase_shift = np.exp(1j * 2 * np.pi * fd * n * pri)
    rx = np.zeros(samples_per_pri, dtype=complex)
    rx[range_delay_samples:range_delay_samples + pulse_samples] = tx_signal * phase_shift
    # 加入白噪声
    noise = (np.random.randn(samples_per_pri) + 1j * np.random.randn(samples_per_pri)) / np.sqrt(2)
    rx_matrix[n, :] = rx + noise * 0.5

3.3 距离维脉冲压缩：第一步FFT

脉冲压缩在每个脉冲回波上分别进行。经典的实现方式是对回波信号和发射信号副本分别做FFT，在频域相乘，再反变换回时域。实际操作时，发射信号副本需要做共轭翻转并补零到相同长度。我直接对每个脉冲做频域匹配滤波，然后取模值的平方作为距离像。

在仿真代码中，匹配滤波输出峰值对应的采样点就是目标时延。按照3000个采样点对应1公里的换算关系，从峰值位置就能反推出目标距离。实测代码跑出来的峰值位置对应的距离约为3500米，和设定值吻合。这一步是整个雷达信号处理中频谱分析最直白的应用——一次FFT，一段频域相乘，一次IFFT，就把时域卷积的脉冲压缩完成了，计算效率非常高。

python复制# 距离维脉冲压缩（频域匹配滤波）
rx_fft = np.fft.fft(rx_matrix, axis=1)
tx_ref = np.conj(np.fft.fft(tx_signal, samples_per_pri))
range_profile = np.fft.ifft(rx_fft * tx_ref, axis=1)

# 找到峰值点，换算距离
power = np.abs(range_profile[0, :]) ** 2
peak_range_idx = np.argmax(power)
estimated_range = peak_range_idx * c / (2 * fs)
print(f"峰值采样点: {peak_range_idx}, 估计距离: {estimated_range:.2f} m")

3.4 多普勒维FFT：测出目标速度

距离维处理之后，需要对128个脉冲的同一距离单元做多普勒维FFT，才能提取目标的速度。这个操作在仿真里通常叫“慢时间维FFT”。因为距离维已经压缩过，目标能量集中在一个距离单元附近，取这个距离单元的序列沿脉冲维做FFT，就能看到目标的多普勒谱峰。

这里有一个关键的精度问题：直接做FFT时，多普勒频率分辨率是PRF/N，20kHz除以128约等于156Hz，对应的速度分辨率约2.34米/秒。目标速度60米/秒对应多普勒频移4000Hz，峰值在4000/156≈25.6这个频点附近，但由于分辨率限制，峰值会落在第26个频率网格附近。如果想要更精确的测速结果，可以在慢时间维补零到1024点再做FFT，频率网格更细，峰值定位更准。

python复制# 取目标距离单元，沿脉冲维做FFT
range_cell = range_profile[:, peak_range_idx]
doppler_fft = np.fft.fftshift(np.fft.fft(range_cell, 1024))  # 补零到1024点

freq_axis = np.fft.fftshift(np.fft.fftfreq(1024, 1 / prf))
doppler_power = np.abs(doppler_fft) ** 2
peak_doppler_idx = np.argmax(doppler_power)
peak_freq = freq_axis[peak_doppler_idx]
estimated_vel = peak_freq * lambda_c / 2
print(f"估计速度: {estimated_vel:.2f} m/s")

这段流程跑通之后，测量结果和真实值的误差主要来自FFT的栅栏效应和补零的插值精度，工程上可以通过插值或更精细的频率估计方法进一步减少。先掌握这个基本流程，后续再做超分辨算法就有参照系了。

4. 频谱分析在雷达典型应用场景中的落地

4.1 动目标显示与动目标检测：从频谱上搬走杂波

雷达要检测的运动目标经常淹没在强地物杂波里。地物不动，回波的多普勒频率接近0Hz，而运动目标回波带有明显的多普勒频移。这时候频域的优势就体现出来了：在时域里目标和杂波完全重叠，在频域里它们分布在不同的位置。杂波集中在零频附近，目标谱线在若干百赫兹或几千赫兹处，直接做高通滤波就能把杂波滤掉一大半，这就是动目标显示（MTI）的基本原理。

动目标检测（MTD）更进一步，不是简单的高通滤波，而是对慢时间维做一组窄带多普勒滤波器组，相当于把多普勒频谱分成一个个细小的通道，每个通道对应一个速度区间。窄带滤波器组比单个高通滤波器有更好的速度分辨能力，还能同时测速。在仿真实现时，这组滤波器组本质上就是多普勒维FFT的每个频点，所以MTD和频谱分析是深度绑定的。

4.2 FMCW雷达：差频信号的频率直接映射距离

调频连续波（FMCW）雷达是频谱分析应用得最彻底的雷达体制。发射信号频率随时间线性变化，接收回波与发射信号混频后得到差频信号，这个差频信号的频率和目标距离成正比。对于单目标场景，距离维FFT峰值对应的频率直接除以调频斜率就是时延，再乘光速除以2就是距离。

FMCW雷达的测距公式是R = c * fb / (2K)，其中fb是差频频率，K是调频斜率。例如调频斜率1MHz/微秒，差频3MHz，距离就是450米。仿真中要注意的是，调频周期内采样点数决定了距离分辨率和最大不模糊距离，这些指标在频域里都有非常直观的对应关系。我在做FMCW雷达仿真时，习惯性先画差频信号的频谱图，根据峰值频率验证目标距离设置，再微调采样参数，比直接看时域波形高效很多。

FMCW雷达还有一个优势是近距离测距精度高，而且结构简单、成本低，这让它在汽车毫米波雷达、液位计、无人机高度计等领域非常流行。所有这些应用的核心算法，就是FFT加频谱峰值搜索，把频谱分析的基础打牢，理解FMCW会非常轻松。

4.3 微多普勒效应：频谱上的目标指纹

雷达目标不是刚性点目标，目标上的旋转部件会产生额外的频率调制。直升机旋翼的转动、喷气发动机叶片的转动、人体行走时四肢的摆动，都会在主体多普勒谱周围产生边带，这就是微多普勒效应。这些微多普勒特征在频谱图上表现出非常独特的纹理，可以作为目标识别的“指纹”。

典型例子是直升机与固定翼飞机的区分：固定翼飞机的回波频谱只是一个窄的多普勒峰，直升机旋翼转动会在主峰两侧产生周期性的边带，边带的间距和旋翼转速直接相关。做仿真时，可以用多散射点模型模拟旋翼转动，然后做STFT时频分析，观察时频图上的周期性条纹。这类仿真特别适合展示频谱分析在目标识别中的应用潜力，也是目前雷达仿真的热门方向之一。

5. 仿真中常见的坑与排查心得

5.1 频谱泄漏让测距不准，怎么判断

FFT的一个固有问题是频谱泄漏：信号频率不在FFT的整数频点上时，能量会泄漏到相邻频点，造成峰值幅度下降、主瓣展宽、旁瓣升高。在雷达仿真里，这会导致距离或速度估计偏差。判断方法很简单：观察峰值旁瓣是不是不对称、峰值是不是看起来像“跨了两个格子”。

解决思路有三个方向。一是在FFT前对信号加合适的窗函数，降低旁瓣，这是最常用的方法；二是补零做插值，FFT点数增加到信号长度的2倍、4倍甚至更多，能让频域网格更密，峰值定位更准；三是用更精细的频率估计算法，比如chirp-z变换或者抛物线插值。我自己在仿真里最常用的是“加窗+补零”组合，简单有效，且不会引入太大计算开销。但要记住，加窗会降低主瓣分辨率，补零只是“看上去更精细”，不是真正的分辨率提升。

5.2 多普勒模糊：当PRF不够高时

脉冲多普勒雷达测速时，脉冲重复频率决定了最大不模糊多普勒频率。PRF低于两倍多普勒频移时，目标多普勒谱峰会发生频率混叠，测出的速度要么偏小，要么出现“负速度”的假象。这个在仿真里非常容易踩坑。我之前做汽车雷达仿真时，目标速度120km/h，对应多普勒频移约22kHz，但PRF只有20kHz，谱峰直接折叠到-2kHz附近，测出来的速度是负的。

解决办法从系统层面看有两种：一是提高PRF，但这样会缩短最大不模糊距离，出现距离模糊；二是采用多重PRF或参差PRF体制，用两个或多个不同PRF的测量结果进行解模糊。仿真验证时，正确的做法是先根据最大目标速度计算所需PRF，再检查最大不模糊距离是否满足需求，两者要一起权衡。

5.3 仿真参数速查表

这张表可以直接当作调参前后的对照手册。仿真结果出现偏差时，先用表里的公式估算指标，再对照代码里实际参数，大部分问题都能快速定位。

5.4 调试实战：一眼在频谱图上看出问题

最后分享一个我调试雷达仿真的习惯：不做任何复杂的自动检测，先手动画三张图——距离维压缩后的幅度图、多普勒维频谱图、以及距离-多普勒二维热力图。这三张图基本能覆盖80%的调试需求。距离维图看目标距离对不对，多普勒维图看速度对不对，二维图看目标是不是在预期的“距离-速度”单元里。如果哪一步的结果和理论值对不上，大概率是参数设置或者信号模型有误，顺着谱图上的异常就能追溯到源头。

我调试过的一个案例：距离维压缩后一切正常，但多普勒维FFT峰值出现在零频附近。检查后发现，生成回波时漏掉了脉冲间的相位累加，目标被当成了静止目标。这类问题如果不画频谱图，单看时域波形几乎不可能发现。频谱分析在调试中的价值，很多时候不在于“分析”，而在于“让人一眼看懂信号到底发生了什么”。

结语：我的实操体会

套用概念很容易，真正把频谱分析用到雷达仿真的每一个环节里，需要大量动手练习。我个人的习惯是碰到任何雷达信号处理问题，先问“这个信号的频谱长什么样”，再决定用什么算法。脉冲压缩、多普勒处理、MTD、FMCW测距，这些事情做多了会发现它们背后的逻辑都是相通的——通过傅里叶变换把信号映射到频域，从频谱图中提取需要的信息。

如果你想在雷达信号处理仿真这个方向深入，建议把这篇内容里的代码自己敲一遍，把参数改来改去，观察频谱图如何变化。改一改带宽，看距离分辨率怎么变；改一改PRF，看多普勒模糊怎么产生；换一种窗函数，看旁瓣和主瓣如何权衡。这些实验做多了，频谱分析的“手感”就有了，后面接触再复杂的雷达算法也不会觉得抽象。仿真遇到瓶颈时，画一张频谱图，往往比查半天文档更管用。