脉冲压缩与匹配滤波：雷达信号处理核心原理及工程实现

脉冲压缩（匹配滤波）是雷达信号处理里最基础也最绕不开的一块内容。我最早接触它的时候，是被那一堆术语吓到的——LFM、模糊函数、时宽带宽积、旁瓣抑制、多普勒容限……感觉每个词都懂，连起来就一头雾水。直到自己动手把发射信号、回波、匹配滤波这条链路完整仿真了一遍，才算真正把这块硬骨头啃下来。这篇就把我踩过的坑、想明白的道理和可以直接抄的代码一并写出来，给同样在啃这块内容的开发者一个参考。

先说这技术是干什么的。雷达想要探测得远，需要大能量，那就得提高发射脉冲的时宽；想要分辨出两个挨得很近的目标，需要大带宽，那就得提高发射脉冲的带宽。可传统单载频脉冲信号有个死穴：时宽和带宽的乘积约等于1，你没法同时把两者都做大。脉冲压缩就是来打破这个限制的：用大时宽、大带宽的信号发射出去，在接收端用一个匹配滤波器把回波“压”成一个窄脉冲，既保证了探测距离，又保证了距离分辨率。说白了，就是用信号处理的手段，把“又宽又胖”的脉冲变成“又尖又窄”的尖峰。

这篇文章适合雷达系统工程师、信号处理方向的开发者，以及正在学习通信/雷达课程的同学。我会把原理、公式、代码、工程坑一次讲透，你照着跑一遍代码，就能直观看到脉冲压缩前后的波形变化。

1. 脉冲压缩的原理拆解：到底“压”的是什么

在动手写代码之前，建议先把原理吃透。我见过太多人上来就抄一段匹配滤波代码，跑通了却不知道每个参数在干什么，换一个场景就抓瞎。所以这一节我们把“为什么”讲清楚。

1.1 雷达探测中的“鱼与熊掌”困境

雷达的作用距离取决于发射能量，能量越大，回波越强，能探测的距离就越远。在峰值功率受限的前提下，想增大能量，只能延长脉冲宽度，也就是增大时宽T。可时宽一大，距离分辨率就差了。

距离分辨率的经典公式是：

ΔR = c·τ / 2

其中c是光速，τ是脉冲宽度。假设雷达发射1微秒的脉冲，距离分辨率就是150米。你看到的目标可能是两栋间距80米的楼，在雷达屏幕上就是一个回波，根本分不开。要想分辨到15米，脉冲宽度就得压到0.1微秒，但这样发射能量又大幅缩水，探测距离直接打折。

这就是单载频脉冲的尴尬：时宽和带宽互相绑定，鱼与熊掌不可兼得。

脉冲压缩的思路就是不让你做选择题。它发射的是一个大时宽T、大带宽B的信号，时宽和带宽的乘积远大于1，这种信号叫“编码信号”或“复杂信号”。接收端用一个与发射信号共轭匹配的滤波器进行处理，把大时宽信号的能量在时间轴上“汇聚”到一个窄脉冲里。经过匹配滤波后，输出脉冲宽度不再是原来的T，而是约等于1/B。于是距离分辨率变成：

ΔR = c / (2B)

只要带宽B足够大，分辨率就能做得很高，同时因为时宽T很大，发射能量也足够大。两个指标同时满足，这就是脉冲压缩的核心价值。

1.2 匹配滤波：让输出信噪比最大

匹配滤波的定义其实非常直白：对于一个已知波形s(t)叠加白噪声的接收信号，能够使输出信噪比达到最大的线性滤波器，就是匹配滤波器。它的冲激响应是发射信号的共轭倒序：

h(t) = s*(−t)

在频域看更舒服：匹配滤波器的传递函数是发射信号频谱的共轭：

H(f) = S*(f)

这相当于一个相位共轭处理。发射信号的每个频率分量经过这个滤波器后，相位被校正到同一个方向，再叠加起来。就好像一群人原本各走各的方向，你把他们全部转到同一个方向再让他们往前走，队伍自然就“汇聚”起来了。从能量角度看，匹配滤波把所有频率分量的能量同相叠加，输出信噪比达到最大，理论上比输入信噪比高出10·lg(BT)分贝，这个值就是处理增益。

1.3 时宽带宽积：衡量“压缩能力”的标尺

时宽带宽积（BT）是描述脉冲压缩信号特征的关键参数。它等于信号时宽T和带宽B的乘积，无量纲，通常用BT表示。

BT的物理意义可以从两个角度看。第一，它直接决定了处理增益的大小，BT越大，匹配滤波后信噪比提升越高；第二，它决定了信号在“时域-频域”平面上占据的面积，BT越大，信号形式越复杂，抗干扰能力越强。

举个例子。如果T=50微秒，B=10MHz，BT=500，处理增益就是10·lg(500)≈27dB。对于一般工程应用，BT在几十到几千之间很常见。要注意，BT并不是越大越好，BT越大，系统对多普勒频移越敏感，后面在工程陷阱部分我会专门展开说。

2. 线性调频信号：脉冲压缩的主力军

理解了脉冲压缩的原理，下一步就是选什么样的发射信号。目前工程上用得最广的，就是线性调频信号（LFM），也叫chirp信号。它实现简单、性能稳定、多普勒容限高，是雷达教科书和工程实践的“默认选项”。

2.1 LFM信号的数学表达与物理意义

LFM信号的基带复包络可以写成：

s(t) = A·rect(t/T)·exp(jπKt²)

其中rect(t/T)是宽度为T的矩形窗，K=B/T是调频斜率。瞬时频率是相位对时间的导数：

f(t) = K·t

也就是说，频率在脉冲宽度内从−B/2线性扫到+B/2（或者反过来）。这就是“线性调频”名字的由来。

工程实现时，基带LFM信号通常由DDS（直接数字频率合成器）生成，再经过上变频到射频。接收端经过下变频到中频或基带，再做匹配滤波。这种“线性调频+匹配滤波”的组合，本质上是一个对信号进行时间-频率交换的过程：信号的不同频率分量在时间上先后到达，匹配滤波后它们被压缩在一起。

LFM还有一个比较吃香的特性：它不依赖目标的具体频谱形状。只要你发射的是LFM，理论上一个目标回波经过匹配滤波后就是一个sinc函数的窄脉冲。不同目标回波只是时延不同，匹配滤波后会在不同距离单元出现对应的尖峰，彼此独立，互不干扰。

2.2 模糊函数与多普勒敏感性

匹配滤波输出对目标多普勒频移的响应，可以用模糊函数来刻画。模糊函数衡量的是“目标距离和多普勒同时变化时，匹配滤波输出的变化”——它是雷达波形分析的核心工具。对于LFM信号，模糊函数的主瓣呈斜脊状，这意味着当目标存在多普勒频移fd时，匹配滤波输出的峰值位置会发生偏移，偏移量约为：

Δt = −fd / K = −fd·T / B

这个现象叫“距离-多普勒耦合”。它的影响有两面性。好的一面是，你可以通过测量峰值偏移来估算目标速度；坏的一面是，大BT乘积下，一个小小多普勒频移就会导致距离测量出现明显偏差，造成测距不准。

好在LFM本身有一定多普勒容限。当多普勒频移小于1/T量级时，匹配滤波输出峰值下降不明显，还可以正常工作。对于大多数窄带雷达，目标速度引起的多普勒频移远小于1/T，所以LFM依然是安全的选择。但如果目标速度很高，或者用在大带宽、长时间积累场景，就必须考虑多普勒补偿或者改用相位编码信号。

2.3 窗函数加权：压低旁瓣的代价

LFM匹配滤波输出的脉压结果是sinc函数形状，它的第一旁瓣电平约为−13.2dB。这个数字听起来还行，但在实际雷达里问题很大：强目标的第一旁瓣可能盖过弱目标的回波主瓣，造成虚假检测或漏检。

所以工程上一般在匹配滤波之前对信号做“加权”处理，也就是乘一个窗函数，压低旁瓣。经典窗函数有汉明窗、汉宁窗、布莱克曼窗、泰勒窗等，它们的效果差异主要在于主瓣展宽程度和旁瓣抑制能力之间的取舍。

以汉明窗为例，它能把旁瓣压到−40dB左右，但主瓣宽度会从约1/B展宽到约1.5/B，也就是说距离分辨率会变差一些。加窗的本质是“用分辨率换旁瓣抑制”。做系统工程设计时，要先定下系统需要的旁瓣电平和分辨率，反推该用哪种窗、在哪一级加。

我个人的习惯是：如果对弱目标检测要求高，优先加汉明或泰勒窗；如果对分辨率要求极高，愿意承受−13dB的旁瓣，那就不加窗。没有标准答案，只有场景取舍。这里再提示一下：加窗可以在频域匹配滤波器上乘窗函数，也可以在时域回波上直接乘窗，效果等价，但要保持一致性，不要两头都加。

3. 从零实现一维脉冲压缩：仿真代码与参数设计

原理讲完，动手写代码。我下面以Python为例，从参数设计到完整仿真，一步一步展示脉冲压缩的实现流程。硬性环境只需要numpy和matplotlib。

3.1 仿真参数怎么定

先定一组典型参数：带宽B=10MHz，脉冲宽度T=50μs，采样频率fs=100MHz，载频fc=10GHz。由之前公式可得距离分辨率：

ΔR = c / (2B) ≈ 3e8 / (2×10e6) = 15m

时宽带宽积BT=500，处理增益约27dB。目标设置三个，分别位于距雷达3000m、3045m和5000m处，其中3000m和3045m的距离差只有45m，按理说在未压缩时根本分不开。第三目标速度设为50m/s，用来检查多普勒影响。

fs=100MHz意味着距离采样间隔ΔR_samp = c/(2·fs) ≈ 1.5m，远小于分辨率15m，所以采样率不会成为瓶颈。

3.2 发射与回波构造

代码里先生成发射信号，然后根据目标时延构造回波。回波等于发射信号的延迟副本，加上目标速度引起的多普勒频移，再加上高斯白噪声。

import numpy as np # 基本参数 B = 10e6 # 带宽 10MHz T = 50e-6 # 脉宽 50us fs = 100e6 # 采样率 100MHz fc = 10e9 # 载频 10GHz c = 3e8 # 光速 N = int(T * fs) # 脉冲采样点数 t = np.arange(N) / fs # 发射信号：基带LFM，调频斜率 K=B/T K = B / T s_tx = np.exp(1j * np.pi * K * t**2) # 目标参数：距离(m)与速度(m/s) targets = [ {"range": 3000, "speed": 0}, {"range": 3045, "speed": 0}, {"range": 5000, "speed": 50}, ] # 构造回波 r = np.zeros(N, dtype=complex) for tg in targets: tau = 2 * tg["range"] / c # 双程时延 fd = 2 * tg["speed"] / c * fc # 多普勒频移 n0 = int(np.round(tau * fs)) # 时延对应的采样点数 if n0 >= N: continue # 每个采样点的回波 = 发射信号延迟后乘以多普勒相位 phase = 2 * np.pi * fd * t echo_piece = s_tx * np.exp(1j * phase) r[n0:] += echo_piece[: N - n0] # 添加噪声，信噪比设为10dB snr_db = 10 signal_power = np.mean(np.abs(r) ** 2) noise_power = signal_power / (10 ** (snr_db / 10)) noise = np.sqrt(noise_power / 2) * (np.random.randn(N) + 1j * np.random.randn(N)) r_noisy = r + noise

这里有一个细节值得注意：多普勒相位必须用“真实时间t”来乘，而不是简单地在延迟后乘一个复数。因为每一个采样时刻对应的回波相位都不同，这个相位累积就是多普勒频移对回波的影响。早期我在这里偷懒，直接用复数常数去乘，结果5000m目标的多普勒效应完全看不出来。

3.3 匹配滤波：时域卷积与频域实现

匹配滤波有三种实现方式：时域直接卷积、频域FFT相乘、以及用“去斜”处理。工程上最常用的是频域FFT实现，因为计算量小很多。对于长脉冲信号，时域卷积运算量是O(N²)，频域FFT是O(NlogN)，在N很大时差距明显。

# 匹配滤波器：发射信号的共轭倒序，或者用频域共轭 # 方式一：时域卷积 h = s_tx[::-1].conj() y_time = np.convolve(r_noisy, h, mode="full") # 方式二：频域匹配滤波 S_tx = np.fft.fft(s_tx, n=2 * N) # 补零到2N，做线性卷积 R_f = np.fft.fft(r_noisy, n=2 * N) # 回波补零到2N Y_f = R_f * np.conj(S_tx) # 频域相乘实现匹配 y_freq = np.fft.ifft(Y_f) # 截取有效部分 y = y_freq[: N * 2 - 1]

这里要特别注意补零。如果直接用N点FFT做频域相乘，得到的是循环卷积，会把脉压结果“卷”出边界，造成假目标。补零到不小于N+M-1（发射脉冲点数N加上回波长度M减1）才能实现真正的线性卷积。前面的代码里，回波长度和发射信号一样是N，所以补零到2N是安全的。

匹配滤波后，需要把距离轴换算出来。每个采样点对应的距离是：

range_axis = np.arange(len(y)) * c / (2 * fs)

从起点0开始，每个点间隔1.5m，实际显示时截取到6000m即可。

3.4 结果解读：压缩前与压缩后的对比

把三个目标的脉压结果画出来，会看到非常直观的差异。未压缩的回波是一坨宽宽的能量包络，完全看不出第二个目标和第一个目标之间的空隙；压缩之后，三个尖峰清晰可见，其中3000m和3045m两个峰都能独立分辨出来，峰值间隔正好对应45m的距离差，验证了ΔR=c/(2B)=15m的理论值。

同时量一下主瓣宽度。输出信号的主瓣零点宽度大约是2/(B)≈0.2μs，对应距离约30m；半功率宽度约1/B≈0.1μs，对应15m，与理论值一致。

再看第三目标5000m。它带了50m/s的速度，在X波段载频10GHz下，多普勒频移约3.3kHz。对脉压结果的影响反映在峰值位置发生了一个小的偏移，由距离-多普勒耦合公式可算得偏移约16.7m。这在仿真图上能看到但不明显，实际系统中如果目标速度快或者雷达波长更长，这个偏移就会被放大，必须做补偿。

4. 工程实现中的常见问题与排查技巧

代码跑通只是第一步，工程落地才是真正考验人的地方。这一节把我这些年踩过的坑和排查经验整理出来，有些是原理层面的事，有些是系统层面的细节，每一个都可能让你调三天bug。

4.1 参考信号失配：最容易被忽略的坑

匹配滤波的前提是“参考信号与发射信号完全一致”。但真实雷达系统中，发射链路和接收链路的器件都会有幅相误差，温度变化会引起增益漂移，电缆长度变化会引入额外相移。如果直接用理论LFM信号做参考，脉压结果可能旁瓣抬高、主瓣恶化，甚至出现“假峰”。

工程上应对手段主要有三种。第一，发射信号自闭环，也就是从发射端耦合一路信号作为参考，保证参考与真实发射一致；第二，系统校准，用已知目标或金属球标定幅相误差并做补偿；第三，内定标数据修正，在每次测量前后采集定标信号，实时修正参考信号。这在相控阵雷达里尤其重要，因为每个阵元的幅相特性都不同，必须逐一校准。

我在实际项目里遇到过一次很典型的案例：脉压后旁瓣电平比理论值高出10个dB，怎么调窗口函数都没用。后来排查发现是发射端功放在大信号下产生了非线性失真，产生了谐波分量，这些谐波与匹配滤波器的参考信号不匹配，导致旁瓣恶化。换成小信号测试后一切正常。这个经验告诉我：旁瓣异常时，别只盯着接收端，也要检查发射链路的线性度。

4.2 多普勒频移带来的峰值偏移与幅度损失

前面说过，LFM信号的匹配滤波对多普勒有一定容限，但当多普勒频移较大时，会出现两个问题。

第一个问题是峰值偏移，由距离-多普勒耦合引起。假设雷达工作在C波段（载频5GHz），目标速度200m/s，多普勒频移约6.7kHz。若脉宽50μs、带宽10MHz，则峰值偏移约33.5m。如果你的雷达要求测距精度优于10m，这个偏移就必须补偿。

第二个问题是匹配失配导致幅度下降。当目标多普勒频移接近或超过1/T时，脉压损失会变得明显，输出幅度减小，信噪比下降。比如T=50μs时，1/T=20kHz，换算成速度，在5GHz下约600m/s。大多数地面目标达不到这个速度，但高速飞行器（比如导弹）就会碰到这个问题。

解决思路有两个：一是做多普勒滤波器组，用一组不同多普勒假设的匹配滤波器并行处理，哪个输出最大就认为目标在那个多普勒通道——这就是MTD或者体目标检测的雏形；二是在信号设计阶段选择多普勒容限更大的波形，比如步进频信号、相位编码信号，这些信号对多普勒的敏感程度和LFM有区别，需要针对场景做取舍。

4.3 副瓣与旁瓣干扰：弱小目标怎么保

匹配滤波输出除了主瓣，还有一堆旁瓣。旁瓣的存在意味着强目标的旁瓣可能盖过弱目标的主瓣。我在仿真里试过把第二个目标回波调到比第一个弱30dB，结果不加窗时第二个目标被第一个目标的旁瓣淹没，完全检测不到；加汉明窗之后，第二个目标就能出来了。

工程上除了加窗，还有几个更高级的手段可以组合使用。

• 相位编码信号配合旁瓣抑制算法。二进制相位编码信号可以通过失配滤波设计来压制旁瓣，比如用最小均方误差准则设计失配滤波器，把指定区域的旁瓣压到极低。
• 变加权系数。在脉冲积累过程中对不同距离单元用不同加权，以匹配场景中的杂波分布。
• 数字波束形成中的自适应处理。在相控阵系统中，可以用空域自适应算法在旁瓣方向形成零陷，抑制旁瓣区域来的干扰。

另外要强调的是，加窗的选择要和系统误警率设计匹配。雷达检测都有恒虚警处理（CFAR），CFAR需要知道噪声和杂波的统计特性。如果旁瓣电平不稳定，特别是强目标旁瓣波动较大，CFAR会很难做，会出现“旁瓣引起的虚警”。稳妥的做法是先做旁瓣抑制，再做CFAR检测，顺序不要搞反。

4.4 采样率、量化与动态范围

数字实现中的采样率和量化位数对脉压效果影响也很大。采样定理要求采样率不低于信号最高频率的两倍，对于带通信号，可以用带通采样定理。

对LFM信号来说，当带通采样时，要求采样率不低于带宽B的2倍（复采样），或者不低于2B（实采样）。如果采样率太低，频谱会混叠，匹配滤波性能直接下降。对基带LFM，复采样时fs≥B即可保证不混叠，但实际工程一般留2到4倍裕量，一方面是为了适应带外杂散，另一方面是后续数字下变频和滤波都需要处理余量。

ADC量化位数同样影响脉压结果。量化噪声相当于给信号增加了额外噪声，会降低匹配滤波输出信噪比。工程上一般要求量化噪声比热噪声低至少6dB，也就是ADC位数要比系统动态范围需求多1比特。12位ADC在很多雷达里是够用的，但如果你要做大动态范围的微弱目标检测，可能需要14位。

还有一个容易踩的坑是ADC的削顶。如果回波信号幅度超过ADC满量程，截断会产生严重的非线性失真，导致脉压旁瓣抬高到无法接受的程度。所以前端一定要做自动增益控制（AGC），确保大目标回波不削顶、小目标回波不淹没在量化噪声里。

4.5 多脉冲积累时的相位一致性

脉冲压缩的很多性能提升来自多脉冲积累。积累要求每个脉冲之间的相位关系稳定，也就是雷达的相参性要好。发射机频率源如果存在相位噪声，脉冲之间的相位会随机漂移，积累增益就上不去。

排查相位一致性问题时，有一个很简单有效的办法：对静止强目标的回波做多脉冲FFT，看零频分量和其他频率分量的比值。如果零频分量明显占优，说明相参性好；如果频谱散开，说明相位稳定性出问题了。频率源的相位噪声指标、发射脉冲之间的初始相位一致性、接收本振的稳定度，都会影响这个结果。

我在系统调试时遇到过一种情况：单个脉冲脉压结果正常，但多脉冲积累后目标幅度就是不涨。后来发现是发射机预热时间不够，工作前半小时频率漂移明显，脉冲之间的频率差导致回波相位变化，破坏积累。这个问题在实验室常温下不明显，一拉到外场温度变化就暴露了。所以工程上会加一个频率稳定度监控，实时监测发射频率漂移，必要时做相位补偿。

4.6 常见问题速查表

我把自己和同行在实际调试中最高频遇到的几个问题整理成表格，方便你快速定位。

这张表不能覆盖所有情况，但绝大多数调试初期的异常都能从这里面找到方向。

5. 进阶思考：从匹配滤波到现代雷达信号处理

对初学者来说，理解匹配滤波是入门雷达信号处理的关键一步。但实际工程中，脉冲压缩只是整个处理链路的起点。后面还有脉冲积累、恒虚警检测、测角测速、目标跟踪等一连串环节，每一个都有大量的工程细节。

值得留意的是，匹配滤波的本质是一个“假设驱动”的处理方法：你事先假设了目标回波是发射信号的延迟加多普勒频移副本，然后找最匹配的滤波器去提取它。这个思想贯穿了整个雷达信号处理——甚至在成像雷达里，二维匹配滤波就是合成孔径雷达成像的理论基础。把一维脉冲压缩吃透了，后面理解SAR成像、ISAR成像、相控阵波束形成都会顺畅很多。

另外，在数字阵列雷达里，匹配滤波通常是和数字波束形成联合处理的。每个阵元的信号先做脉压，再做波束合成，最后做多普勒处理和检测。处理流程怎么编排（先脉压后波束还是先波束后脉压），取决于计算资源分配和系统延迟要求，这也是一个值得深入思考的工程问题。

如果要用一个词总结我对脉冲压缩这个技术的体会，那就是“用处理换指标”。它没有增加任何物理硬件，只是用一套精心设计的信号处理流程，把雷达最核心的矛盾给绕了过去。这种思路其实在很多工程问题里都有借鉴意义：当物理域里无法两全时，不妨换个维度，在信号域里做文章。对雷达系统设计者来说，理解并掌握这种“把矛盾转化为设计参数”的思维方式，比背熟几个公式更有价值。