LFM信号脉冲压缩原理与Matlab仿真实现详解

在雷达接收机设计里，有一对天然矛盾始终让系统设计师头疼：想要雷达看得远，发射波形必须携带足够能量，常规做法就是把脉冲宽度加大；但想要雷达看得清，也就是距离分辨力足够高，又要求脉冲宽度尽量窄。这两个需求在单频脉冲上完全互斥。LFM信号（线性调频信号）的巧妙之处，在于它让载频在脉冲持续时间内线性扫过一段带宽，把“脉冲宽度”和“信号带宽”解耦，雷达可以先发一个宽脉冲积累能量，再通过脉冲压缩处理在接收端得到一个等效窄脉冲。这篇文章我就沿着“为什么需要LFM -> 脉冲压缩原理是什么 -> Matlab代码怎么写 -> 参数怎么调 -> 工程上哪些坑”这条线，把整个链路讲透。代码我全部实测跑过，直接复制就能看到效果。

1. 单频脉冲的两难困境与LFM信号的破局思路

1.1 为什么单频脉冲没办法同时兼顾探测距离和分辨力

先看最基本的情况。假设雷达发射一个载频为 f0、脉宽为 T 的单频脉冲，理想矩形包络下，它的频谱宽度大约是 1/T。距离分辨力由带宽决定：

ΔR = c / (2B)

c 是光速。B 越大，距离分辨力越高。对单频脉冲来说，B≈1/T，所以 ΔR≈cT/2。这意味着脉冲越宽，带宽越窄，分辨力越差。

举个具体例子：T = 10us 的单频脉冲，距离分辨力约 1500 米。想分辨 15 米的目标，脉冲宽度必须压到 0.1us 以内。脉冲宽度缩到百分之一，在同等峰值功率下，平均发射功率也掉到百分之一，探测距离缩减明显。这就是雷达里经典的“距离分辨力与能量矛盾”：要么看得远但看不清，要么看得清但看不远。

要提高分辨力，根本途径是增大信号带宽。问题是窄脉冲的带宽虽然大，能量又不够。那能不能做一个信号，既有大带宽，又保持足够长的时宽？LFM 就是最直接的答案：让频率在时宽 T 内从 f0-B/2 线性扫到 f0+B/2，这样信号的能量由时宽 T 决定，分辨力由带宽 B 决定，两者不再互相绑架。

1.2 LFM信号的数学表达：频率在脉冲内“扫”起来

LFM 信号在复基带可以写成：

s(t) = rect(t/T) · exp(jπKt²)

其中 K = B/T 是调频斜率，rect(t/T) 表示宽度为 T 的矩形脉冲。瞬时频率是相位的导数：

f(t) = (1/2π) · d(πKt²)/dt = Kt

如果时间轴取 [-T/2, T/2]，那么瞬时频率从 -B/2 线性变化到 +B/2，覆盖的带宽正好是 B。这个线性关系是 LFM 一切性质的基础：频率在时域上均匀铺开，时间和频率形成一一对应。

用复数形式而不是实信号表示，是因为复基带信号能完整保留相位信息，匹配滤波时可以直接做共轭运算，而且采样率只要覆盖带宽 B 本身，不需要考虑载频 fc 带来的高频分量，仿真运算量小很多。Matlab 里生成它非常直接：

fs = 100e6; % 采样率 100 MHz T = 10e-6; % 脉宽 10 us B = 10e6; % 带宽 10 MHz K = B / T; % 调频斜率 t = -T/2 : 1/fs : T/2 - 1/fs; s = exp(1j * pi * K * t.^2);

这段代码对应的就是上面那个公式。注意时间轴关于零对称，这样瞬时频率是关于零对称的线性扫频，频谱看起来比较规整。后面所有脉冲压缩操作都基于这个复基带波形。

1.3 时宽带宽积：LFM信号真正的“隐藏参数”

LFM 信号有个非常关键的参数叫时宽带宽积 D = B·T。它决定了脉冲压缩能带来多少好处。

从能量角度想，T 越大，发射能量越大；B 越大，压缩后主瓣越窄。两者的乘积 D 可以理解为：发射信号在“时间-频率平面”上占的面积。这个面积越大，信号可压缩的空间就越大，匹配滤波后能获得的信噪比增益也越大。LFM 信号的 D 通常远大于 1，这是它能同时兼顾能量和分辨力的根本原因。

后面做匹配滤波时你会发现，压缩后的主瓣宽度约 1/B，输出峰值高度正比于 √D，信噪比增益就是 D 倍，换成 dB 表达是 10log10(D)。比如说 B=10MHz、T=10us，D=100，理论上脉冲压缩能带来 20dB 的信噪比提升。这个数字在实际雷达系统中非常可观，相当于目标回波功率被放大了 100 倍。

2. 脉冲压缩的本质：匹配滤波输出就是自相关函数

2.1 为什么匹配滤波器是“最优”接收机

脉冲压缩在接收端的实现，核心就是匹配滤波。在加性高斯白噪声背景下，使输出信噪比达到最大的线性滤波器，称为匹配滤波器。它的冲激响应是发射信号的共轭镜像：

h(t) = s*(-t)

也就是说，把发射信号在时间轴上翻转，再取共轭，就是匹配滤波器。Matlab 里对应一行代码：

mf = conj(fliplr(s));

这个结果的推导并不复杂：白噪声经过任意线性滤波器后，输出噪声功率正比于滤波器幅频响应的平方积分；信号分量在某一时刻的输出正比于信号频谱与滤波器频谱的内积。要让“信号峰值 / 噪声标准差”最大，滤波器频谱必须和信号频谱共轭匹配，等价于时域的共轭翻转关系。

匹配滤波器之所以被称“最优”，并不是因为它能凭空提高信号能量，而是它在每个频率分量上都做了相位对齐，让所有分量的贡献在某个时刻同相叠加，从而让输出峰值最大。这个“相位对齐”过程，本质上就是脉冲压缩。

2.2 从卷积公式一步步推导出sinc输出

现在把匹配滤波写成数学形式。接收信号经过匹配滤波器的输出是卷积：

y(t) = ∫ r(τ) h(t-τ) dτ = ∫ r(τ) s*(τ-t) dτ

如果接收信号只是发射信号的延迟版本 r(t)=s(t-t0)，那么输出就是发射信号自身的自相关函数。对 LFM 信号做自相关运算，结果是大家都熟悉的 sinc 函数形式：

y(t) ≈ √D · sinc(B·t) （忽略载频和延迟项）

sinc(Bt) 的主瓣宽度约 1/B，第一旁瓣比主瓣低约 13.2dB。峰值系数 √D 正比于时宽带宽积的平方根，对应信噪比增益 D。

把代码和公式对照起来看：

y_conv = conv(rx, mf); % 时域卷积 y_fft = ifft(fft(rx, Nfft) .* conj(fft(s, Nfft))); % 频域实现

时域卷积就是直接计算上面的积分；频域实现利用卷积定理，把时域卷积变成频域乘法，本质是完全一样的运算。输出结果中你会看到一个尖锐的主峰，主峰旁边有几道旁瓣，这个形状就是 sinc 的离散采样。

2.3 一个类比：把LFM匹配滤波看成“时间透镜”

很多初学者会困惑：一个 10us 的长脉冲，为什么经过一个滤波器之后能变成 0.1us 的窄脉冲？能量守恒怎么解释？

我的理解是：LFM 信号相当于把能量均匀撒在了“时间-频率”平面上，匹配滤波做的事情是把这些撒出去的能量重新聚拢到一个时间点上。你可以把它类比成凸透镜：平行光经过透镜之前是铺开的光束，能量密度低；透镜把相位重新调整，让所有光线汇聚到焦点，焦点处能量密度极高。匹配滤波器就是这个“时间透镜”，它没有增加总能量，只是改变了能量在时间维度的分布。

另一个更贴近生活的类比是：有一队跑者，速度各不相同，但通过精确安排发车时间，让他们在同一时刻冲过终点线。匹配滤波器就是那个“排班表”，它让信号中不同频率的分量在输出端同时到达峰值位置。

3. Matlab仿真全流程：从参数表到目标检测的完整代码

3.1 仿真参数设计

写代码之前先把仿真场景定下来。我设计了一个非常经典的场景：雷达在 7500 米处有一个点目标，发射 LFM 脉冲宽度 10us，带宽 10MHz，采样率 100MHz，输入信噪比 10dB。参数整理如下：

理论时延是 τ = 2R/c = 50us，对应 5000 个采样点。这个值提前算好，后面验证代码是否写对就很直观。

3.2 发射信号生成

在复基带生成 LFM 信号。为什么用复基带而不是实信号？因为压缩处理要保留完整的相位信息，而且接收端的匹配滤波需要共轭操作，实信号做起来很别扭。Matlab 代码：

%% 发射信号（复基带 LFM） t = -T/2 : 1/fs : T/2 - 1/fs; N = length(t); s = exp(1j * pi * K * t.^2);

仿真里载频不用显式建模，因为匹配滤波是线性的，载频只会给所有信号分量乘一个公共相位因子，对压缩输出的幅度没有影响。这在雷达信号级仿真中是很常规的操作。

3.3 目标回波构造：时延、噪声怎么加

回波比发射信号多了一个时延，并且叠加了噪声。这里有两个容易出错的地方：一是接收窗口长度必须大于“发射信号长度 + 时延点数”，否则回波会被截断；二是噪声功率要根据输入信噪比反推出来。

%% 构造目标回波 delay_samp = round(tau * fs); % 时延对应的采样点数 recv_len = N + delay_samp + 500; % 接收窗口，注意留余量 rx = zeros(1, recv_len); rx(delay_samp+1 : delay_samp+N) = s; % 放入延迟后的信号 % 加噪：根据输入SNR反推噪声功率 noise = (randn(1, recv_len) + 1j*randn(1, recv_len)) / sqrt(2); sig_pow = mean(abs(s).^2); noise_pow = sig_pow / (10^(SNR_dB/10)); rx = rx + noise * sqrt(noise_pow);

关于噪声功率，有个细节值得说一下。复高斯噪声的实部和虚部是独立的随机变量，randn 生成的方差为1，除以 sqrt(2) 之后实部虚部方差各为 1/2，总功率为 1。再乘以 sqrt(noise_pow)，总功率恰好等于 noise_pow。这样信噪比的定义和理论值严格一致，后面验证增益时才不会对不上。

3.4 匹配滤波实现：时域卷积和FFT两种方式

我同时给出两种实现方式，方便读者对比验证。

%% 匹配滤波 % 方式一：时域卷积 mf = conj(fliplr(s)); y_conv = conv(rx, mf); % 方式二：频域FFT实现 Nfft = 2^nextpow2(recv_len + N - 1); Y = ifft(fft(rx, Nfft) .* conj(fft(s, Nfft))); y_fft = Y(1 : recv_len + N - 1);

频域实现中的 Nfft 不是随便取的。卷积的线性结果长度是 recv_len + N - 1，如果 FFT 点数比这个小，频域相乘对应的是循环卷积，会出现混叠，峰值旁边的波形会乱掉。所以要用 nextpow2 取一个足够大的 2 的幂，保证线性卷积正确。

这里还可以验证一下两种方式的结果一致性：

fprintf('最大误差: %.3e\n', max(abs(y_conv - y_fft)));

我实测的最大误差在 1e-10 量级，基本就是浮点运算的舍入误差，说明两种实现完全等价。

3.5 峰值检测、群延迟扣除与测距验证

匹配滤波输出之后，最重要的步骤是找到峰值位置并反推距离。这里有一个非常容易踩的坑：卷积会引入额外的群延迟，峰值位置并不能直接用于测距，必须先扣除匹配滤波器的长度。

%% 峰值检测与测距 [~, idx] = max(abs(y_fft)); delay_est = idx - N; % 扣除匹配滤波器长度 range_est = delay_est * c / (2 * fs); fprintf('理论时延: %.2f us\n', tau * 1e6); fprintf('实测时延: %.2f us\n', delay_est / fs * 1e6); fprintf('理论距离: %.2f m\n', R); fprintf('估计距离: %.2f m\n', range_est);

为什么减去 N？因为卷积 y = rx * mf 中，mf 的长度为 N，信号每经过一个长度为 L 的滤波器，输出会比输入延迟 L-1 个采样点（近似 L）。峰值实际出现在 delay_samp + N 附近（Matlab 索引从 1 开始），所以 idx - N 才是回波自身的时延点数。我第一次写这个代码的时候没扣群延迟，结果测距偏差了整整 1500 米，就是多了一个脉宽对应的距离。

绘图部分可以把发射信号、回波和压缩输出放在一张图上：

figure subplot(3,1,1) plot(t*1e6, real(s)); title('发射信号实部'); xlabel('时间/us'); ylabel('幅度'); grid on; subplot(3,1,2) t_recv = (0 : recv_len-1) / fs; plot(t_recv*1e6, real(rx)); title('接收回波（含噪声）'); xlabel('时间/us'); ylabel('幅度'); grid on; subplot(3,1,3) t_out = (0 : length(y_fft)-1) / fs; plot(t_out*1e6, abs(y_fft)); title('脉冲压缩输出'); xlabel('时间/us'); ylabel('幅度'); grid on;

在默认参数下，压缩输出会在 50us 附近出现一个尖锐的峰值，主瓣宽度大约 0.1us，和理论值 1/B 相符。如果把这个图给一个不懂雷达的人看，他也能一眼看出“目标信号被压缩成了一个脉冲”——这就是脉冲压缩的直观效果。

4. 时宽带宽积、窗函数与多普勒失配：三个绕不开的关键变量

4.1 时宽带宽积D对压缩性能的定量影响

参数 D = B·T 是脉冲压缩性能的“总开关”。我在仿真里固定 B=10MHz，逐步改变 T，得到如下规律：

注意主瓣宽度只由 B 决定，和 T 无关。这正好说明 LFM 把“时宽决定能量、带宽决定分辨力”两个维度解耦了：想要更远的作用距离，就把 T 做大；想要更高的距离分辨力，就把 B 做大。两者互不拖累，这是 LFM 能成为雷达最经典波形之一的核心原因。

实际验证增益时别直接用峰值幅度比，因为加噪的随机性会让单次结果有波动。想看清规律，建议做蒙特卡洛仿真或者直接用无噪声版本测峰值缩放关系，理论值才严格成立。

4.2 加窗抑制副瓣：-13.2dB旁瓣背后的工程取舍

LFM 匹配滤波输出的第一旁瓣只有 -13.2dB。这个水平在单目标场景下完全够用，但雷达通常面对的是多目标环境。强目标的旁瓣很可能盖过弱目标的主瓣，造成目标遮挡或虚警。所以实际系统几乎都会在匹配滤波之前加窗函数，把旁瓣压下去。

加窗的实现很简单：先把发射参考信号和窗函数逐点相乘，再拿这个加窗后的波形去做匹配滤波。

window = hamming(N).'; w = s .* window; Yw = ifft(fft(rx, Nfft) .* conj(fft(w, Nfft))); yw = Yw(1 : recv_len + N - 1);

加了汉明窗之后我实测的旁瓣大约能压到 -42dB 左右，代价是主瓣宽度展宽到原来的约 1.5 倍，峰值也下降约 1.3dB。这个交易在雷达系统设计里叫“窗函数损失”，是为了副瓣抑制必须付出的代价。表里是常用窗函数的性能对比：

具体选哪种窗要看你关心的是弱目标检测还是测量精度。关心弱目标，选旁瓣更低的窗；关心测距精度，就用主瓣窄的窗。没有一个绝对最优解，工程上永远是在做权衡。

4.3 多普勒失配：运动目标会让压缩峰值发生偏移

到目前为止，我假设目标静止，回波里没有多普勒频移。但真实目标往往是运动的，多普勒频移 fd 会让匹配滤波输出发生两个变化：峰值幅度下降，并且峰值位置在时间轴上发生偏移。

LFM 信号对多普勒频率比较敏感。匹配滤波输出在这个情况下的近似结果是：

y(t) ≈ sinc(B·(t + fd/K)) · exp(-j2πfd·t)

也就是说峰值位置从 t=0 移动到了 t = -fd/K。这个效应叫“距离-多普勒耦合”：LFM 信号的多普勒频移会转化为测距误差。

在 Matlab 中模拟多普勒，只需要在构造回波时给每个采样点乘一个旋转因子：

fd = 50e3; % 多普勒频移 50 kHz doppler = exp(1j * 2 * pi * fd * (0:N-1) / fs); rx(delay_samp+1 : delay_samp+N) = s .* doppler;

对应一个场景：载频 10GHz，目标径向速度约 750m/s，fd≈50kHz。K=1e12，理论峰值偏移 Δt = -fd/K = -50e3 / 1e12 = -0.05us。按光速折算，相当于测距偏差了 7.5 米，而且目标越靠近，偏移方向会让雷达把目标测得更近（或更远，取决于运动方向）。同时，由于 fd·T = 0.5，峰值幅度也会出现可观测的下降，这时如果直接把峰值当作目标能量，还会低估目标 RCS。

工程上处理这个问题常见的手段是构建多普勒滤波器组，在多个相邻的 fd 假设上分别做匹配滤波，选出输出最大的通道。代价是计算量成倍增加，但换来了对运动目标的鲁棒性。LFM 信号的这个短板也是后来脉冲多普勒雷达和相位编码波形被广泛研究的原因之一。

5. 工程落地时最容易踩的几个坑

5.1 时域卷积和FFT方式怎么选

很多新手纠结脉冲压缩到底用 conv 还是 fft。我给的结论很直接：数据量小、想快速验证逻辑，时域 conv 写起来直观；数据量大、要跑实时处理，必须用 FFT。

FFT 方式的核心优势是复杂度从 O(N²) 降到 O(NlogN)。假设接收窗口长度 2048，点级卷积需要约 400 万次复数乘法，FFT 只需要几万次，差距是数量级的。雷达系统里往往每秒要处理大量脉冲，这个差距直接决定系统能不能实时跑起来。

用 FFT 时务必注意线性卷积和循环卷积的区别：Nfft 必须大于等于 recv_len + N - 1，否则频域相乘的结果会混叠，压缩输出的波形是错的。我给的标准写法是 Nfft = 2^nextpow2(recv_len + N - 1)，把这个值再加大也没有坏处，只是多占用一点内存。

5.2 采样率到底设多少才够

LFM 复基带信号的带宽是 B，理论上采样率最低取 B（复信号，奈奎斯特条件是 fs ≥ B）。但实际仿真我建议至少取 2~4 倍，原因有三。

第一，匹配滤波输出很尖锐，如果采样率刚好等于带宽，主瓣 3dB 宽度约 0.886/B，只对应 0.886 个采样点，峰值检测误差会很大。我做过对比，fs=B 时测距抖动明显，提高到 fs=5B 以上才比较稳定。

第二，回波时延不一定正好落在采样点上，低采样率下这个量化误差会被直接放大成测距误差。用 fs 能把时延精度做到 c/(2fs) 级别，100MHz 采样对应 1.5 米，10MHz 采样就只有 15 米精度了。

第三，如果需要模拟真实系统里的射频前端，带外杂散和频谱混叠都会影响匹配滤波输出。采样率留有余量，后面做滤波处理或者加窗时不容易出幺蛾子。

5.3 归一化和幅度换算：不要被输出数字带偏

FFT 方式下，ifft 结果自带一个 1/Nfft 的缩放因子，所以 y_fft 的幅度和 y_conv 不一定直接相等。如果只关心峰值位置和相对幅度，这无所谓；但如果要对比两种实现、或者要从压缩输出反推目标 RCS，必须处理好缩放。

我实测时发现两者的相对关系：conv 的结果不受 FFT 长度影响，而 FFT 的结果会随 Nfft 变化。更严谨的做法是统一用“归一化匹配滤波”的视角，把输出按发射信号能量做归一化，这样输出值就对应目标回波幅度的一个估计。但如果是理论验证，直接看相对幅度就够了，不必在归一化上花太多篇幅。

另外，绘图时建议用 dB 显示，不然旁瓣在普通线性图上根本看不出来：

plot(t_out*1e6, db(abs(y_fft) / max(abs(y_fft)))); ylim([-60, 5]);

这样能一眼看到旁瓣结构到底压到了什么水平。

5.4 匹配滤波参考信号用什么

这也是一个典型的工程细节。匹配滤波器的参考信号应该用发射信号的“理想副本”，而不是直接用接收回波。有的初学者图省事，想拿回波本身做匹配滤波，结果是输出在零延迟处冲到一个巨大的值，其他位置全是噪声，本质上变成“信号与自己的相关”，完全失去了检测意义。

如果发射机存在幅相误差，可以在系统校准时测量实际发射波形，把它作为匹配滤波参考。这在真实雷达中很常见，叫“在线校准”或“波形预失真补偿”。仿真阶段直接用理想发射信号即可，但心里要清楚：真实系统中参考信号和理论信号之间的误差会影响压缩旁瓣水平。

最后一个操作建议：做这类仿真，不要一开始就把所有非理想因素全加上。我的习惯是先跑一个无噪声、单目标、静止目标的基线版本，验证峰值位置和理论距离对得上；再逐步加入噪声、多目标、窗函数、多普勒频移。每加一个因素，就检查一次输出是否和理论预期一致。这样出了问题能很清楚地定位是哪一步引入的偏差，而不是面对一个乱糟糟的波形图无从下手。

我自己第一次完整跑通波形的过程也经历了“峰值为什么不在预想位置”“不加窗和加窗差多少”“多普勒一进来距离怎么偏了”这几个坎。把这些坎挨个理解清楚之后，LFM 脉冲压缩这个技术就算是真正吃透了。希望这篇内容能帮你把从原理到代码的链路一次性走通，少走一点我当年走过的弯路。