MATLAB中的FFT滤波：从频谱分析到频域滤波实战指南

先说个实际场景。我以前做传感器数据采集的时候，被50Hz工频干扰搞得焦头烂额，时域波形上那个毛刺怎么滤都滤不干净，FIR滤波器阶数加高了几十倍，延迟大得像慢动作，结果还不好。后来换了个思路，先把信号做FFT，看频谱，然后再动手滤，问题一下就清楚了。这就是FFT滤波的核心价值：用频域的视野解决时域的问题。

这篇东西我从原理到工程实现都会聊，适合刚接触信号处理和MATLAB的初学者，也适合那些已经在用MATLAB处理数据、但总觉得频谱分析这块差点火候的工程师。重点不是罗列函数，而是把"为什么要这样写"和"踩过的坑"都讲明白。读完你至少能把FFT分析、频域滤波、信号还原这条链路完整跑通，遇到常见的频谱泄漏、边界效应这类问题也知道怎么处理。

1. 先搞明白：FFT和滤波是怎么组合到一起的

1.1 FFT滤波到底在干什么

很多人一上来就写代码，Y = fft(x); Y(100:200) = 0; y = ifft(Y);三行搞定，但中间发生了什么完全没概念。这样糊弄一次可以，换个信号就翻车。

FFT滤波的本质，是用FFT这个工具，把信号从"时间域"搬到"频率域"，在频率域里对不同的频率成分做"取舍"，然后再用逆变换IFFT把处理后的信号搬回时间域。打个比方，你在菜市场买了一整块五花肉（时域信号），FFT就是把这块肉按"肥肉、瘦肉、皮"分开摆好（频域分解），滤波就是"我要瘦的，肥的扔了"，最后IFFT就是把剩下的瘦肉重新拼成一盘菜（时域信号）。

这么说有点粗糙，但对于理解核心思路足够了。关键是你要意识到：滤波的本质不是"把波形拉平"，而是"把某几个频率的成分干掉或者保留"。这个思路一旦建立，你以后看任何滤波问题都会通透很多。

1.2 为什么选FFT而不是直接上滤波器

有人会问：MATLAB里现成的滤波器设计函数一抓一大把，fir1、butter、designfilt，为什么还要绕这么大一圈用FFT？

我的答案很直接：因为FFT让你先"看见"再动手，而传统滤波器设计是"盲选"。做传统滤波器，你得先假设信号和噪声的频率范围，然后挑一个滤波器类型，定阶数、定截止频率，整个过程像在黑暗中摸索。而用FFT，你直接把信号频谱画出来，干扰在哪、有用信号在哪，一目了然。拿前面的电磁干扰说，频谱图上50Hz那根谱线高高耸立，你一刀切下去，干净利落。

另外，FFT滤波对"非稳态特征"的处理很灵活。比如你要保留的是信号里的某个瞬时冲击，它在频域上铺得比较宽，你可以在频域画一个任意形状的掩膜（mask），不像传统滤波器只能做低通、高通、带通这些规矩形状。这在图像处理领域叫频域掩膜，在信号处理里一样好用。

当然FFT滤波也不是万能的，它适合离线批量处理，实时性要求高的场景还是得用因果滤波器。这个后面我详细聊。

2. 动手前的必修课：频谱里的三个大坑

2.1 采样率、频率分辨率和奈奎斯特频率

做FFT滤波，第一步不是写代码，而是搞清楚你的信号是怎么被采样的。三个参数必须刻在脑子里：

• 采样率fs：每秒钟采多少个点。采样率决定了你能看到的最高频率，也就是奈奎斯特频率，等于fs/2。
• 采样点数N：一共采了多少个点。FFT的分辨率就是fs/N，意思是频谱上相邻两根谱线之间的频率间隔。
• 频率分辨率df：即fs/N。如果你采了1秒的数据，分辨率就是1Hz；采了0.1秒，分辨率就是10Hz。

这三个参数对滤波效果的影响极大。举个例子，你有一个100.5Hz的信号，采样率1000Hz，采了1秒，FFT分辨率是1Hz，100.5Hz这个分量会落在100Hz和101Hz这两根谱线之间，能量被"摊开"了，这就是频谱泄漏。这时候你想精准滤掉它，一刀切不干净；想保留它，又会发现幅度对不上。

所以做FFT滤波之前，先问自己一个问题：我的数据长度够不够让目标频率和噪声频率在频谱上分开？如果不够，要么加长采集时间，要么用后面要讲的窗函数。

2.2 频谱泄漏和窗函数的选择

频谱泄漏是FFT滤波最常遇到的坑。原因是FFT默认信号是周期的无限延拓，但实际信号截断后首尾不连续，这个不连续在频谱上会"溅"出很多假频率成分。

解决办法就是加窗。窗函数的本质是让信号两端平滑衰减到0，减少截断带来的突变。MATLAB里常用的有：

• hann：汉宁窗，主瓣宽一点，旁瓣衰减比较好，通用性最强。
• hamming：海明窗，和汉宁很像，旁瓣略低一点。
• blackman：布莱克曼窗，旁瓣衰减更大，但主瓣更宽，频率分辨率牺牲更多。
• rectwin：矩形窗，实际上就是不加窗，主瓣最窄，但旁瓣泄漏最严重。

我的选择经验很简单：如果你要滤除的信号和干扰频率离得近，用矩形窗或汉宁窗，保住频率分辨率；如果干扰和有用信号离得远，用布莱克曼窗，把泄漏压到最低。滤波前加窗，滤波后记得在IFFT之前或者之后做相应的处理，否则幅度会偏。

2.3 实信号的频谱对称性与单边谱

MATLAB里fft算出来的结果是复数，长度和输入一致。很多人第一次看到这个复数数组就懵了，特别是后半段的值还挺大，这是什么鬼？

要理解这个，得知道一个基本性质：对实信号做FFT，频谱是共轭对称的。前N/2+1个点对应0到fs/2的正频率，后N/2-1个点对应从-fs/2到0的负频率。也就是说，后半段的信息和前半段是"镜像"的，没有额外信息量。

所以做频域滤波的时候，一个常见的错误是只处理前一半频谱，然后把后一半也置零，结果IFFT回来信号变成了复数，而且幅度只有原来的一半。正确做法是：设计掩膜的时候，要把正负频率都考虑进去。要么用fftshift把零频挪到中间，对称地处理；要么直接在原来的频谱上，按照[0:fs/N:(fs/2-fs/N), -fs/2:fs/N:-fs/N]的频率轴来设计掩膜。

我一般是先freq = (0:N-1) * fs / N;生成频率轴，做掩膜的时候判断物理频率是否落在目标区间，这样正负频率自然就处理了，不容易出错。

3. MATLAB代码实战：从信号生成到滤波还原

3.1 构造一个带噪信号：先看清楚频谱

光说不练没用，咱们直接上手。我先构造一个仿真信号：一个50Hz的工频干扰叠加一个5Hz的有用信号，再混入一点随机噪声。

fs = 1000; % 采样率 1000 Hz N = 2000; % 采样点数 2 秒 t = (0:N-1) / fs; % 时间轴 % 有用信号：5Hz 正弦 x_signal = 1.5 * sin(2 * pi * 5 * t); % 工频干扰：50Hz 正弦，幅度2 x_noise_50 = 2.0 * sin(2 * pi * 50 * t); % 随机噪声 x_rand = 0.3 * randn(1, N); x = x_signal + x_noise_50 + x_rand;

先画时域波形，你会看到信号被50Hz振荡"骑"在上面，5Hz的趋势被完全淹没了。这就是很多人在时域里做滤波做得痛苦的原因：有用信号和噪声的频率差很远，时域波形上全是高频抖动，你看着就头大。

现在做FFT看频谱：

X = fft(x); freq = (0:N-1) * fs / N; % 画幅度谱，取前一半，因为后半是镜像 figure; plot(freq(1:N/2), abs(X(1:N/2))); xlabel('频率 (Hz)'); ylabel('幅度'); title('原始信号频谱');

跑完你会看到在5Hz和50Hz处各有一根明显的谱线，50Hz那根特别高，其余地方是一些低矮的噪声底。这一步之所以重要，是因为它直接告诉你滤波的目标是什么：把50Hz那根线削掉，保留5Hz那根。

3.2 频域掩膜设计：做一个"窄带陷波"

接下来设计一个陷波器，把50Hz附近的能量滤掉。这里有个关键点：不能只把50Hz那一根谱线置零，因为频谱泄漏可能让干扰能量扩散到49.5Hz和50.5Hz，甚至更宽。所以陷波器要有一个"宽度"。

% 设计频域掩膜：将 49Hz~51Hz 的成分置零 mask = ones(1, N); % 注意：要同时处理正负频率，这里用频率轴判断 for k = 1:N if abs(freq(k) - 50) < 1.5 % 49~51Hz 范围内的都置零 mask(k) = 0; end end % 应用掩膜 X_filtered = X .* mask;

这段代码有几个问题需要注意。第一，循环在MATLAB里效率低，实际工程中建议用向量化写法，比如mask(abs(freq-50)<1.5) = 0;。第二，你可能会问：为什么mask只置零了前一半的50Hz，后一半呢？因为频率轴freq是0~999Hz，当k走到950Hz附近时，abs(freq(k)-50)是900多，不会被置零。但别忘了实信号频谱是共轭对称的，50Hz的"镜像"在1000-50=950Hz处。所以这个写法其实漏掉了负频率的镜像。这是新手最容易犯的错误。

正确做法是：要么先生成-fs/2到fs/2的频率轴，用fftshift处理频谱，再设计对称的掩膜；要么直接用我推荐的逻辑：掩膜只定义为"物理频率是否落在陷波区间"，然后对整个频率轴做判断，这样正负频率都会覆盖到。上面这个循环写法其实做到了这一点，因为freq覆盖0~999Hz，950Hz对应的物理频率是950Hz，它不等于50Hz。哎，这里确实漏了。

我换个写法，把负频率也纳入：

% 方法一：先 fftshift，把频率轴变成 -500~500 X_shifted = fftshift(X); freq_shifted = (-N/2:N/2-1) * fs / N; mask = ones(size(X_shifted)); mask(abs(freq_shifted - 50) < 1.5) = 0; mask(abs(freq_shifted + 50) < 1.5) = 0; X_filtered_shifted = X_shifted .* mask; X_filtered = ifftshift(X_filtered_shifted);

这个方法更直白，也不容易漏。把零频挪到数组中间，正负频率对称分布，然后一刀一刀切。

3.3 IFFT还原与幅度校正检查

滤波完成后，用IFFT还原时域信号：

y = real(ifft(X_filtered));

这里用real()取实部是安全的，因为理论上来讲，只要我们对称地处理了频谱，IFFT结果就是实数。如果处理不对称，取real会丢掉一部分信息，造成幅度偏差。所以前面频域操作一定要对称，这比real本身重要得多。

然后画图对比：

figure; subplot(3,1,1); plot(t, x); title('原始信号'); subplot(3,1,2); plot(t, y); title('FFT滤波后'); subplot(3,1,3); plot(t, x_signal); title('理想有用信号');

跑完你会发现，滤波后的线和理想有用信号基本重合，只是噪声底还有一些。幅度上要验证一下：滤波后的5Hz成分幅度是不是接近1.5？因为前面信号是1.5*sin(5Hz)。如果幅度不对，八成是频谱处理的时候把有用信号的幅度也削了，或者前面加窗没做幅度恢复。

还有一个很容易忽略的点：频域滤波的本质是线性时不变系统的一个特例，所以如果掩膜在边界处"突变"得很厉害（比如从1直接跳到0），时域上会产生振铃效应（Gibbs现象）。你会在滤波后的波形两端看到明显的高频抖动，这就是掩膜不光滑导致的。解决办法是让掩膜的边缘有个过渡带，比如用fdesign.arbmag设计任意幅度响应，或者手动生成一个缓变的边缘。

3.4 完整流程封装：一个可复用的FFT滤波函数

把上面这套逻辑封装成函数，以后调用就方便了。我平时是这么写的：

function y = fft_filter(x, fs, freq_range, mode) % FFT频域滤波 % x: 输入信号 % fs: 采样率 % freq_range: [f1, f2] 保留的频率范围（Hz） % mode: 'bandpass' 或 'bandstop' N = length(x); X = fft(x); freq = (0:N-1) * fs / N; mask = ones(1, N); if strcmp(mode, 'bandpass') % 保留 f1~f2，其余置零 mask(freq < freq_range(1) | freq > freq_range(2)) = 0; elseif strcmp(mode, 'bandstop') % 滤除 f1~f2 mask(freq >= freq_range(1) & freq <= freq_range(2)) = 0; end X_filtered = X .* mask; y = real(ifft(X_filtered)); end

这个函数虽然能用，但有几个边界问题要自己注意：第一，正负频率对称性问题。上面这个写法只处理了0~fs/2的物理频率，负频率没处理。如果freq_range在正频率范围内，负频率镜像没被处理，IFFT会产生误差。所以我实际用的时候会在频率轴构造时直接覆盖到-fs/2，或者输入的时候就要求用户提供正负频率范围。

第二，掩膜突变造成的振铃。就是前面说的Gibbs现象，所以实际工程我更喜欢用过渡带设计，不搞这种硬切。下面我讲实战案例的时候会展示怎么处理。

4. 实战案例：把50Hz工频干扰从传感器信号里揪出来

4.1 问题场景与频谱初诊

说一个我以前实际碰到过的案例。现场采集一个振动传感器的信号，采样率是10kHz，采了10秒。信号有用成分集中在200Hz~500Hz，但40Hz到70Hz附近有一大坨干扰，明显是工频及其谐波。时域波形上，干扰使得特征频率完全看不清。

按老办法，我先不加滤波，直接对整段数据做FFT，频谱图上看得很清楚：50Hz处一根大谱线，旁边还有100Hz、150Hz的谐波。为什么会有谐波？因为工频干扰往往不是纯正弦，而是带畸变波形，畸变会产生整数倍的谐波分量。如果只滤掉50Hz，100Hz那个尖峰还会残留，所以要多做几个陷波。

这就是先用FFT"看清敌情"的价值：我知道敌人长什么样，才知道刀该怎么下。

4.2 设计带过渡带的陷波器：避免振铃

硬切的掩膜会造成振铃，这在振动信号里是很致命的，因为振铃的伪特征可能被误判为机械故障。所以我在实际工程里不会用mask(mask==0)这种硬切，而是用平滑的过渡带。

实现思路很简单：在掩膜边缘用cos窗生成一个斜坡，而不是直接跳变。比如要滤除49Hz~51Hz，掩膜值在49Hz~50Hz之间从1逐渐降到0，在50Hz~51Hz之间从0逐渐升回1。这个可以用下面的方式生成：

% 定义一个带过渡带的陷波掩膜 function mask = notch_mask(N, fs, fc, bw) % fc: 中心频率 % bw: 过渡带宽度的一半 freq = (0:N-1) * fs / N; mask = ones(1, N); f_low = fc - bw; f_high = fc + bw; % 在 f_low~fc 之间线性下降，fc~f_high 之间线性上升 idx_low = find(freq >= f_low & freq < fc); idx_high = find(freq >= fc & freq <= f_high); if ~isempty(idx_low) mask(idx_low) = 0.5 - 0.5 * cos(pi * (freq(idx_low) - f_low) / (fc - f_low)); end if ~isempty(idx_high) mask(idx_high) = 0.5 - 0.5 * cos(pi * (fc - freq(idx_high)) / (f_high - fc) + pi); end end

这个掩膜本质上是一个余弦斜坡，边缘不再是1到0的跳变，而是平滑过渡。实际效果是：频谱上的主瓣和旁瓣都会被压下去，但同时不会产生剧烈的时域振铃。

4.3 边界效应：首尾不连续的麻烦

还有一个容易忽视的问题：FFT假设信号是周期延拓的。如果你滤波后的信号首尾不连续，IFFT还原时会在首尾产生很大的振荡。这个在信号长度较短时尤其明显。

我曾经采了一段1秒的信号，FFT滤波后开头和结尾各出现了一个大的脉冲，把前面的有用信号全盖住了。排查了半天，最后发现是边界不连续导致的。解决的办法有几条：

• 滤波前对信号做数据延拓：把首尾各延拓一段数据（比如镜像延拓），滤波后再裁掉。
• 对信号做重叠保留法（overlap-save）或重叠相加法（overlap-add），把长信号分块处理，避免边界效应累积。这两个方法在fftfilt函数里就有实现。
• 如果信号比较长，边界效应只影响开头和结尾一小段，直接把这两段裁掉，不纳入后续分析。

我的习惯是先用简单的延拓解决，因为大部分场景下边界效应只占信号总长度的不到1%，裁掉就行。但如果信号总共就几百个点，那必须用重叠法。

5. 进阶对比：FFT滤波和滑动窗口滤波到底怎么选

5.1 滑动窗口滤波的适用场景

随着嵌入式系统越来越普及，"滑动窗口滤波"这个词的出现频率越来越高。它的思路是在时域上开一个窗口，窗口内做均值、中值或加权运算，然后窗口每次移动一个点，得到新的滤波输出。

滑动窗口滤波的优势是实时性：每个点来了都能立刻算出滤波后的值，不需要等一整段数据采完。所以单片机、FPGA这类资源受限的平台上，滑动窗口滤波（比如滑动均值、滑动中值、滑动FIR）是主流。

但它的代价也很明显：窗口长度和滤波效果是矛盾的。窗口越长，平滑效果越好，但延迟越大，对快速变化的信号响应越迟钝。而且滑动窗口滤波只能做低通性质的平滑，你要做带通、带阻，得设计很复杂的窗口系数。

5.2 什么时候用FFT滤波，什么时候用滑动窗口

我的选择原则是这样的：

• 离线分析、频谱特征明显、需要精细的频率选择：用FFT滤波。比如做振动诊断，我要滤掉某个特征频率，保留另一个特征频率，FFT滤波最直观。
• 实时控制、嵌入式平台、计算资源受限：用滑动窗口滤波。比如ADC采样后做简单的均值平滑，消除随机噪声。
• 数据量大、需要流水线处理：可以用滑动窗口FIR，但也可以把FFT滤波做成重叠保留的流式处理，两者性能和延迟可以做到接近。

这里多说一句，现在很多做预测性维护的同行喜欢把FFT和包络谱分析结合。包络谱的做法是：先对信号做带通滤波（比如用FFT滤波只保留高频故障特征频段），然后做Hilbert变换求包络，再对包络做FFT。这一步里FFT滤波的价值就非常大了：你想保留哪个频段就保留哪个频段，直接对频谱做掩膜，比设计一个高阶带通滤波器省事得多。

5.3 图像处理里的"FFT滤波"怎么理解

热搜词里有个"matlab图片处理"，我顺带提一嘴。图像本质上是二维信号，FFT滤波在图像里的逻辑和一维信号一模一样：把图像做二维FFT，频谱中心是低频，边缘是高频。低通滤波就是保留中心、削掉边缘，高通滤波就是反过来，带通就是保留一个环形区域。

MATLAB里fft2、ifft2就是干这个的。我在做图像噪声消除的时候，会在频域里把特定方向的条状噪声（比如扫描条纹）用掩膜干掉，这在空间域（时域）里很难实现，但在频域里就是画一条线的事情。这就是FFT滤波对比空间域滤波的杀手级场景：空间域难以表达的"形状"，频域里用一个掩膜就能做。

6. 常见问题与排查技巧实录

6.1 我的调试笔记：FFT滤波翻车现场

这里整理几个我实际踩过的坑，每一个都卡过我好几个小时，写出来大家少走弯路。

问题1：滤波后信号幅值整体减半

现象：IFFT还原后的信号波形形状正确，但幅度只有原来的一半，有时还带着相位翻转。

原因：负频率分量没处理好。实信号FFT结果正负频率是对称的，如果你只把正频率的掩膜置零或保留，负频率那边没做同样处理，IFFT还原时实部就只剩一半能量。

解决：要么用fftshift把频率轴挪到-500~500Hz再处理，要么把频率轴构造为(0:N-1)*fs/N之后再额外处理N/2+2到N的部分，保持对称。

问题2：滤波后开头和结尾出现剧烈振荡

现象：波形两端有大幅度的振铃，中间正常。

原因：边界不连续引起的Gibbs现象。FFT把信号当成周期延拓，滤波后首尾不匹配，IFFT就产生振铃。

解决：滤波前做数据延拓（前延后延各几十个点），滤波后裁掉；或者用overlap-add/overlap-save方法分段滤波。

问题3：有用信号的幅度变了，或者频率"歪了"

现象：5Hz的有用信号，滤波后变成了5.2Hz，或者幅度从1.5变成了0.8。

原因：频域掩膜把有用信号附近的能量也削掉了。比如陷波带宽设得太宽，把5Hz附近的频谱也波及了。或者信号长度太短，频率分辨率不够，5Hz和50Hz的谱线相互泄漏。

解决：先看频谱确认有用信号和干扰之间的频率间隔，再设置合理的带宽。加窗时选旁瓣衰减好的窗，比如Blackman，减少泄漏。

问题4：IFFT结果有虚部，取real之后波形明显不对

现象：real(ifft(X_filtered))出来和预期完全不一样。

原因：频域操作破坏了共轭对称性。常见于只对正频率做了操作，负频率没动，或者手工修改了单个频点的复数幅值，破坏了对称。

解决：检查所有频域操作是否对称。如果要修单个频点，永远同时修改X(k)和X(N-k+2)两个位置。

以下是我整理的速查表：

6.2 几个让调试效率翻倍的小习惯

最后分享几个我在调试FFT滤波时养成的习惯，虽小但很管用：

画图一定要叠加对比。滤波前和滤波后的频谱图用subplot放在一起，别单独开窗口。你对比着看，一眼就能发现滤波把不该滤的东西滤掉了。

先仿真再实测。拿到真实信号之前，先用已知频率的仿真信号把代码跑通。如果仿真都过不了，别指望实测能用。我一般先用sin构造一个包含已知频率的信号，跑通后换成真实数据，这样能把算法问题和数据问题分开。

用变量检查幅度恢复。滤波后我通常会找一个已知幅度的正弦成分，对比滤波前后的幅度变化。如果这个都算不准，后面定量分析直接白搭。

不要在一个巨大的脚本里写死参数。滤波器参数、采样率、数据长度都抽出来作为变量，调参方便，也能避免改一步全盘崩。

最后再分享一个小技巧

做FFT滤波到现在，我最大的体会是：滤波不是目的，看清信号才是。很多人急着把滤波器怼上去，却忘了先做频谱分析。我建议每一次滤波之前，都强制自己先画一张频谱图，哪怕你心里已经知道干扰频率是多少，也画一下。因为信号是会变的，环境噪声也是会变的，这张图能告诉你"当下这一刻"的实际情况。

另外，如果你的数据量特别大（比如几十M个点），一次fft没问题，但IFFT之后首尾裁切很浪费。这时候我推荐用fftfilt这个MATLAB内置函数，它自动做分块处理，省去边界效应的麻烦，就是少了一些灵活性。需要精细控制掩膜形状的场景再回来自写。

手里有频谱图，心里就不慌。这行做得越久，越觉得FFT滤波的门槛不在数学，而在你有没有养成"先看谱，再下刀"的直觉。希望这篇东西能帮你把这个直觉建立起来。