调制解调、频谱分析、傅里叶变换，这三件事几乎是信号与系统课程里最难绕开的“三座山”。很多同学上课听懂了公式，一做题就不知道从哪里下手；项目里遇到信号处理需求，也不知道该用哪种变换、怎么分析频谱、怎么恢复原始信号。这篇文章不搞长篇推导，直接按“概念 -> 公式 -> 怎么用 -> 典型坑”的顺序，把傅里叶变换、频谱分析、调制解调这条主线串起来，适合考前速成，也适合做项目时回来查。
1. 信号与系统核心知识地图
先把整门课的骨架摆出来。信号与系统本质上就研究两件事：信号怎么表示，系统怎么响应。而傅里叶变换是连接时域和频域的桥梁，调制解调是傅里叶变换最经典的应用场景。
| 知识模块 | 核心公式 | 考试/应用重点 |
|---|---|---|
| 信号分类 | 连续/离散、周期/非周期、能量/功率 | 判断信号类型，选择合适的变换工具 |
| 系统性质 | 线性、时不变、因果、稳定 | 判断系统是否LTI，能否用卷积分析 |
| 傅里叶级数 | 周期信号分解为谐波叠加 | 求频谱系数，理解离散频谱 |
| 傅里叶变换 | 非周期信号分解为连续频谱 | 求频谱密度函数，画频谱图 |
| 频谱分析 | 幅度谱、相位谱、带宽 | 判断信号频率成分，分析信道带宽 |
| 抽样定理 | fs >= 2fmax | 避免混叠，确定抽样率 |
| 调制解调 | 频谱搬移 | AM调制、解调、滤波恢复信号 |
| 卷积 | y(t)=x(t)*h(t) | 求系统响应，理解卷积定理 |
从学习顺序来看，建议按“信号表示 -> 傅里叶级数 -> 傅里叶变换 -> 性质 -> 频谱 -> 调制 -> 系统响应”推进。前面的概念几乎都是为后面服务的，跳步最容易卡住。
2. 傅里叶变换：从分解思想到核心公式
2.1 为什么需要傅里叶变换
时域信号只能看到幅值随时间变化，但很多关键信息隐藏在频率成分里。比如一段语音，人耳听到的是声音大小，但语音识别系统需要知道这段声音包含哪些频率分量。傅里叶变换就是把你从时域“旋转”到频域的一把钥匙，它回答的问题是：这个信号里面“有哪些频率，每个频率的幅度和相位是多少”。
先说信号与系统课程里的两条主线：
- 周期信号用傅里叶级数，频谱是离散的，只在基频整数倍处有分量。
- 非周期信号用傅里叶变换，频谱是连续的，称为频谱密度函数。
很多同学混淆这两者。简单记忆：周期信号在时域重复，对应频域离散；非周期信号在时域无限延伸但不重复，对应频域连续。这个对应关系在抽样定理和通信系统里反复出现。
2.2 连续时间傅里叶变换公式
工程上最常用的连续时间傅里叶变换对：
X(jω) = ∫_{-∞}^{+∞} x(t) e^{-jωt} dt逆变换：
x(t) = (1/2π) ∫_{-∞}^{+∞} X(jω) e^{jωt} dω这里的 X(jω) 就是频谱密度函数，它一般是复数，包含两部分：
X(jω) = |X(jω)| e^{jφ(ω)}其中 |X(jω)| 是幅度谱，表示各频率分量的强弱；φ(ω) 是相位谱，表示各频率分量的相位偏移。
很多实际题目并不会真的去算积分，而是反复用几个标准变换对加性质。最常用的变换对包括：
| 时域信号 | 傅里叶变换 |
|---|---|
| δ(t) | 1 |
| 1 | 2πδ(ω) |
| e^{-at}u(t), a>0 | 1/(a+jω) |
| e^{-a|t|}, a>0 | 2a/(a²+ω²) |
| cos(ω₀t) | π[δ(ω-ω₀)+δ(ω+ω₀)] |
| sin(ω₀t) | jπ[δ(ω+ω₀)-δ(ω-ω₀)] |
| 门函数 G_τ(t) | τ·Sa(ωτ/2) |
| δ(t-t₀) | e^{-jωt₀} |
这组表背下来，大部分求频谱的题目可以直接套用。
3. 傅里叶变换的性质：做题提速的关键
傅里叶变换的性质是这门课的“快捷键”。考试和工程分析中，直接算积分的情况很少，基本都是用已知变换对，再通过性质推到目标信号。
3.1 必须掌握的六大性质
| 性质 | 时域表示 | 频域表示 | 典型用途 |
|---|---|---|---|
| 线性 | a·x(t)+b·y(t) | a·X(jω)+b·Y(jω) | 分解复杂信号 |
| 时移 | x(t-t₀) | X(jω)·e^{-jωt₀} | 信号延迟分析 |
| 频移 | x(t)·e^{jω₀t} | X[j(ω-ω₀)] | 调制原理的基础 |
| 尺度变换 | x(at), a≠0 | (1/|a|)X(jω/a) | 时域压缩/扩展对应频域扩展/压缩 |
| 对偶性 | X(jt) | 2π·x(-ω) | 由变换对推导新变换对 |
| 卷积定理 | x(t)*h(t) | X(jω)·H(jω) | 系统分析和滤波器设计 |
时移和频移是最容易混淆的一组。记住：时域延迟会引入相位线性变化，但幅度谱不变；频域搬移就是调制，信号频谱整体左右移动。
3.2 卷积定理：时域卷积等于频域乘积
卷积定理是信号与系统最重要的一条性质：
x(t) * h(t) ↔ X(jω) · H(jω)这背后的工程含义极其深远：时域里做卷积，计算复杂度高；到了频域就变成乘法，处理起来简单很多。系统分析中，H(jω) 就是系统的频率响应，它直接告诉你系统对每个频率成分的放大或衰减程度。
如果系统是 LTI 系统，那么输出信号的频谱就是：
Y(jω) = X(jω) · H(jω)这也是滤波器的本质。低通滤波器就是让低频分量通过、高频分量衰减；高通滤波器反过来。画频谱图时，基本操作就是把输入信号频谱和系统频率响应相乘，看剩下哪些频率分量。
3.3 帕塞瓦尔定理：能量守恒的频域表达
帕塞瓦尔定理说的是，信号在时域的总能量等于频域的总能量：
∫_{-∞}^{+∞} |x(t)|² dt = (1/2π) ∫_{-∞}^{+∞} |X(jω)|² dω它把时域能量和频域能量联系了起来。工程上，这个定理用于计算信号在某个频带内的能量占比，或者在滤波器设计时估计通过带内能量的比例。考试里常见题型是已知 X(jω) 求信号总能量。
4. 频谱分析：从公式到画图
频谱分析是傅里叶变换最直接的应用。拿到一个信号，画出它的幅度谱和相位谱，就相当于给信号做了一次“频率成分体检”。
4.1 幅度谱和相位谱
幅度谱 |X(jω)| 表示信号各频率分量的相对强度，相位谱 φ(ω) 表示各频率分量的相位。很多工程场景只关心幅度谱，因为相位对感知的影响通常没有幅度大。但在通信系统里，相位同样重要，因为调制信号的信息往往携带在相位里。
画频谱图时要注意几个点：
- 实信号的幅度谱是偶函数，相位谱是奇函数。
- 周期信号的频谱是离散谱线，非周期信号的频谱是连续曲线。
- 用 δ 函数表示冲激时，频谱图要画出带箭头的竖线，标注幅度系数。
4.2 抽样定理与频谱混叠
抽样定理是频谱分析必须掌握的边界条件。对带限信号 x(t)，最高频率为 fmax，要用抽样信号无失真地恢复原信号，抽样频率必须满足：
fs >= 2·fmax如果抽样频率不够，频谱会重叠，这就是混叠现象。混叠一旦发生，用滤波器也无法恢复原始信号，因为高频分量已经被错误地搬移到了低频位置。
这个知识点在模数转换、音频采样、图像处理里都会遇到。实际工程中不会卡着 2 倍频率采样，一般取 3 到 5 倍，留出保护带。
4.3 频谱分析的标准流程
做频谱分析时，推荐按以下步骤走：
- 确定信号类型：周期还是非周期，连续还是离散。
- 选择变换工具：周期信号用傅里叶级数，非周期用傅里叶变换。
- 分解信号：把复杂信号拆成已知变换对的线性组合。
- 利用性质简化：时移、频移、尺度变换优先使用。
- 画出幅度谱和相位谱。
- 分析带宽、主瓣、旁瓣等关键指标。
如果是用 Python 做频谱分析，常见流程是这样的：
import numpy as np import matplotlib.pyplot as plt fs = 1000 # 抽样频率 1000 Hz t = np.arange(0, 1, 1/fs) # 构造一个包含 50Hz 和 120Hz 分量的信号 x = 0.7 * np.sin(2 * np.pi * 50 * t) + np.sin(2 * np.pi * 120 * t) # FFT 频谱分析 X = np.fft.fft(x) freqs = np.fft.fftfreq(len(x), 1/fs) # 只显示正频率部分 half = len(X) // 2 magnitude = np.abs(X[:half]) * 2 / len(x) plt.figure(figsize=(10, 4)) plt.stem(freqs[:half], magnitude) plt.xlabel('Frequency (Hz)') plt.ylabel('Magnitude') plt.title('Frequency Spectrum') plt.grid(True) plt.show()这一段代码可以直接跑，你能看到 50Hz 和 120Hz 两个明显的峰值。
5. 调制与解调：傅里叶变换最经典的应用
5.1 为什么要调制
基带信号（比如语音、图像）的频率通常集中在低频段，不适合直接通过信道传输。调制的作用就是将基带信号的频谱从低频搬移到高频载波附近，用频分复用提升信道利用率，同时匹配信道特性。
从傅里叶变换的角度看，调制就是频移。假设基带信号是 m(t)，载波是 cos(ω₀t)，已调信号：
s(t) = m(t) · cos(ω₀t)根据频移性质，时域相乘对应频域卷积。cos(ω₀t) 的频谱是两个冲激，所以：
S(jω) = (1/2)[M(j(ω-ω₀)) + M(j(ω+ω₀))]也就是说，原始基带频谱被搬到了 ±ω₀ 两侧。这就是幅度调制（AM）的原理。
5.2 AM 调制与解调
标准 AM 调制的时域表达式：
s(t) = [A + m(t)] · cos(ω₀t)其中 A 是直流偏置，必须保证 A + m(t) 始终大于 0，这样包络才能直接反映基带信号变化，方便用包络检波解调。
解调则是一个“搬回来”的过程。接收端先乘以同频载波：
r(t) = s(t) · cos(ω₀t)再用低通滤波器滤除高频分量，就能恢复基带信号。完整链路是：
基带信号 m(t) -> 乘以载波 -> 已调信号 -> 信道 -> 乘以同频载波 -> 低通滤波 -> 恢复 m(t)从频谱角度理解就非常简单：调制是把频谱搬到高频，解调是先搬到 0 频附近再用低通滤波器提取。
5.3 频谱图怎么画
这是考试和面试最常考的动作。假设基带信号 m(t) 的频谱是矩形，中心在 0 频，带宽为 W。
调制后频谱：
- 以 +ω₀ 为中心画一个幅度减半、宽度为 2W 的矩形。
- 以 -ω₀ 为中心画一个对称矩形。
- 如果加了直流偏置，在 ±ω₀ 处会出现冲激。
解调后频谱：
- 已调信号乘以 cos(ω₀t)，频谱再次搬移，在 ±2ω₀ 和 0 频附近都有分量。
- 通过理想低通滤波器，滤除 ±2ω₀ 分量，只保留 0 频附近的分量。
画频谱图时，最容易错的一点是漏掉幅度系数。调制时频谱幅度乘 1/2，解调再乘 1/2，经过两次搬移后原始信号幅度会变为 1/4。如果接收端需要恢复原始幅度，需要乘一个系数进行补偿，这叫幅度补偿。不同教材处理方式略有差异，考试时以题目给出的系统模型为准。
6. 傅里叶变换的工程应用场景
6.1 滤波器设计
滤波器设计几乎是傅里叶变换最“日用”的应用场景。理想低通滤波器频率响应：
H(jω) = 1, |ω| <= ωc H(jω) = 0, |ω| > ωc输出频谱：
Y(jω) = X(jω) · H(jω)时域上，理想低通滤波器的冲激响应是 sinc 函数，不是因果系统，实际无法实现。工程中用巴特沃斯、切比雪夫等滤波器近似，它们在通带和阻带之间存在过渡带。
6.2 信号去噪
信号去噪的本质是频谱过滤。例如一个正弦信号叠加了高频噪声，在时域观察很难处理，但做一次傅里叶变换后，信号能量集中在一个频点，噪声分布在整个频带，用带通滤波器就能提取信号。
from scipy.signal import butter, lfilter def butter_bandpass(lowcut, highcut, fs, order=4): nyquist = 0.5 * fs low = lowcut / nyquist high = highcut / nyquist b, a = butter(order, [low, high], btype='band') return b, a def bandpass_filter(data, lowcut, highcut, fs, order=4): b, a = butter_bandpass(lowcut, highcut, fs, order=order) y = lfilter(b, a, data) return y # 假设 x 是采集信号，抽样率 fs=1000，要去除 50Hz 工频干扰 x_filtered = bandpass_filter(x, 0.5, 49.0, fs=1000)这类代码在脑电信号处理、振动分析、音频降噪里非常常见。
6.3 抽样与重构
抽样和重构是连续信号与离散系统之间的桥梁。要保证抽样不混叠，先经过抗混叠低通滤波器，再以 fs >= 2fmax 抽样。重构时，离散序列经过零阶保持器和平滑滤波器，就能恢复接近原始形状的连续信号。
6.4 通信系统
调制解调是通信系统的基石。AM、FM、PSK、QAM 等调制方式的区别，本质上就是改变载波的幅度、频率或相位。分析任何一种调制方式，第一步都是画出对应的频谱结构，判断带宽和抗干扰性能。这部分工作完全依赖傅里叶变换的频移和卷积性质。
7. 典型题型+完整解题流程
7.1 求给定信号的傅里叶变换
题目：求 x(t) = e^{-2t}u(t) + e^{-3|t|} 的傅里叶变换。
解法：不直接积分，拆成两个已知变换对。
第一项使用标准变换对：
e^{-at}u(t) ↔ 1/(a+jω)，代入 a=2 得 1/(2+jω)第二项使用双边指数变换对：
e^{-a|t|} ↔ 2a/(a²+ω²)，代入 a=3 得 6/(9+ω²)根据线性性质直接相加：
X(jω) = 1/(2+jω) + 6/(9+ω²)这类题目得分的关键是先拆分，再套变换对，不要一上来就算积分。
7.2 求调制信号的频谱
题目：已知基带信号 m(t) 的傅里叶变换为 M(jω)，求 s(t)=m(t)cos(100t) 的频谱。
直接写结果：
S(jω) = (1/2)[M(j(ω-100)) + M(j(ω+100))]再用 Python 画对比频谱：
import numpy as np import matplotlib.pyplot as plt fs = 2000 t = np.arange(0, 0.2, 1/fs) # 基带信号：10Hz 正弦 m = np.sin(2 * np.pi * 10 * t) # 载波：100Hz 正弦 c = np.cos(2 * np.pi * 100 * t) # 调制后信号 s = m * c fig, axes = plt.subplots(3, 1, figsize=(10, 8)) def plot_spectrum(ax, signal, fs, title): X = np.fft.fft(signal) freqs = np.fft.fftfreq(len(signal), 1/fs) half = len(X) // 2 ax.plot(freqs[:half], np.abs(X[:half]) * 2 / len(signal)) ax.set_title(title) ax.set_xlabel('Frequency (Hz)') ax.grid(True) plot_spectrum(axes[0], m, fs, 'Baseband Spectrum') plot_spectrum(axes[1], s, fs, 'Modulated Spectrum') plot_spectrum(axes[2], s * c, fs, 'After Demodulation Multiplying Carrier') plt.tight_layout() plt.show()运行后你会看到：基带频谱在 10Hz 附近，调制后频谱搬移到 100±10Hz 处，解调后再次出现 10Hz 附近的基带分量，同时还有 200Hz 附近的高频分量，需要通过低通滤波去掉。
7.3 LTI 系统响应分析
题目：某 LTI 系统的频率响应为 H(jω)，输入 x(t)，求输出 y(t)。
频域解法最直接：
Y(jω) = X(jω) · H(jω) y(t) = F^{-1}{Y(jω)}如果已知系统的单位冲激响应 h(t)，也可以时域卷积求解。两边能对上是基本要求，实际做题时选哪条路径取决于题目给了时域还是频域条件。
8. 易混淆点与高频失分点
| 易错点 | 错误理解 | 正确理解 |
|---|---|---|
| 周期性与频谱离散关系 | 周期信号频域也周期 | 周期信号频域离散，非周期信号频域连续 |
| 时移与频移 | 分不清哪个是 e^{-jωt₀} | 时移乘 e^{-jωt₀}，频移乘 e^{jω₀t} |
| AM调制幅度系数 | 调制后幅度不变化 | 时域相乘，频域幅度需要乘 1/2 |
| 抽样定理条件 | 只记住 fs >= 2fmax | 必须先确认信号是带限的 |
| 卷积定理方向 | 混淆时域和频域操作 | 时域卷积=频域乘积，时域乘积=频域卷积/2π |
| 低通滤波恢复 | 以为滤波后幅度不变 | 滤波只去高频，不补偿幅度 |
还有一个常被忽略的点：时域相乘对应频域卷积要除以 2π。很多人在算调制信号频谱时少了这个系数，答案就差一个常数。不同教材对傅里叶变换的定义略有差异，做题时先看教材用的定义是角频率 ω 还是频率 f，公式里的系数会不一样。建议整门课只用一种定义，不要混用。
9. 信号与系统速成复习建议
9.1 时间紧张时的复习顺序
如果考前时间有限，按下面的优先级推进：
- 傅里叶变换的定义和标准变换对表，先把最常用的 8 到 10 个变换对背熟。
- 六大性质，特别是时移、频移、尺度变换和卷积定理，做题基本离不开。
- 频谱图画法，幅度谱怎么画、冲激怎么标、带宽怎么算。
- 调制解调完整链路，从频谱搬移的角度理解 AM，会画调制前后和滤波前后的频谱。
- 抽样定理，记住条件和混叠的后果。
- 系统响应计算，先频域后时域，哪个简单用哪个。
9.2 自测清单
能独立完成下面这些任务，说明主线知识基本过关：
- 给出任意信号的时域表达式，能画出幅度谱和相位谱。
- 给出调制信号 s(t)=m(t)cos(ω₀t)，能写出频谱表达式并画出频谱图。
- 说明低通滤波器为什么能解调 AM 信号。
- 解释当 fs < 2fmax 时，恢复的信号会发生什么变化。
- 已知系统频率响应和输入信号频谱，能求出输出频谱。
9.3 配套工具
理论学习之外，建议用 Python 验证每个概念。NumPy 的 fft 模块和 SciPy 的 signal 模块覆盖了绝大部分信号处理需求，适合用来画频谱、做滤波、模拟调制解调。工具本身不复杂，但能帮你把抽象的频谱搬移变成可视化的图形，记忆会牢固得多。
10. 总结
信号与系统这门课，真正贯穿全程的主线就一条：信号在时域表示，在频域分析，系统用卷积或频率响应描述，调制解调靠频移实现。傅里叶变换是从时域进入频域的入口，频谱分析是解读频域信息的手段，调制解调则是频域分析最有代表性的工程应用。把这三个点的关系理清，再配合标准变换对和性质做题，复习效率会比按章节零散推进高很多。
最值得优先掌握的，永远是那几个标准变换对和卷积定理。建议把这篇文章里的变换对表格和性质表格保存下来，做题时随手对照，遇到题目先从“能不能拆成标准形式”入手，而不是直接动笔算积分。信号与系统的核心概念密度高，但真正要记的“硬公式”并不多，练熟几十道典型题后，成绩提升往往比想象中快。
