线性调频雷达回波仿真与目标检测平台：从脉冲压缩到CFAR的Python实现

这段时间一直在折腾一套雷达信号处理的验证环境，项目代号就叫PLFM_RADAR。PLFM是Platform的简写，RADAR不用多解释，整套东西的核心就是“用Python搭一套线性调频脉冲雷达的回波仿真与目标检测平台”。它解决的问题很具体：从发射波形怎么生成、目标回波怎么建模，到脉冲压缩、相参积累、CFAR检测，最后输出距离-多普勒图和检测目标列表。如果你刚接触雷达算法、需要做课程设计，或者想验证某个检测思路又不想一开始就碰板卡和射频前端，这套代码和设计思路可以帮你把书上的公式变成看得见、能调参、能复现的结果。

1. PLFM_RADAR是什么：为什么我要写一套雷达信号处理实验平台

1.1 雷达处理链路其实就是“听回声找东西”

雷达的原理用大白话讲，就是一个“对着目标区域喊一声，然后掐表听回声”的过程。你喊出去的声音碰到墙会弹回来，靠回声回来的时间能算距离，靠回声频率的变化能算速度。单基地脉冲雷达也是这样，发射机发出一段射频脉冲，遇到目标后一部分能量被反射回来，接收机捕获这段回波，再经过一系列数字信号处理还原出目标的距离、速度和方位。

不过工程上的雷达比“喊山”复杂得多。发射信号通常要做调制，接收回波是微弱的宽带信号，而且目标在运动中会产生多普勒频移。把时间、频率、相位、采样率、带宽这些参数放在同一条链路上一起考虑，才是真正的难点。PLFM_RADAR做的事情就是把这条链路从发射端到检测端完整模拟一遍，中间每一步都用可量化的参数控制，这样既能验证算法，也能理解每个环节对最终结果的影响。

1.2 公式能算对，不等于系统能通

我最早学雷达信号处理时最大的困惑是：书上推导的匹配滤波、FFT积累在草稿纸上都能算明白，但一到写代码就发现对不上。原因在于理论公式默认的是一个理想、连续、无限精度的世界，而实际系统里有采样率、量化位数、有限观测窗、多普勒模糊、噪声和旁瓣等等一堆工程约束。这些约束一旦耦合起来，单个公式根本给不了直觉。

当时我找了一圈现成工具，要么是商业软件太重，要么是现有开源代码只覆盖某个单点算法，比如只有匹配滤波，没有完整的回波模型和检测门限。所以我才决定自己搭一个平台，目标有三个：一是全链路可调参，从载频、带宽、脉宽到PRF、积累脉冲数都放在一套配置文件里；二是中间结果可见，每一级处理都能输出数组和图像；三是检测结果可复现，同样的参数换一台机器跑，结果必须一致。用Python而不是MATLAB，主要是考虑许可成本、跨平台可移植性和NumPy/SciPy这套数值生态，配合Matplotlib做可视化已经很顺手。对于个人验证和教学演示而言，这种轻量化的方案比重量级仿真软件灵活太多。

2. 信号建模与关键参数的选择逻辑

2.1 波形选型：线性调频为什么是“默认选择”

雷达发射波形决定了一个系统在分辨率和能量之间的取舍。理论上，想提高距离分辨率就要增加信号带宽，但单纯把脉冲变窄会带来峰值功率过高、平均功率不足的问题。线性调频（LFM）信号解决的是这个矛盾：它把能量铺开在一个较宽的脉冲宽度内，同时通过频率随时间线性变化来占用大带宽，接收端再通过匹配滤波把能量在时间上“压”回去，既保证了作用距离，又获得了窄脉冲的分辨能力。

发射的LFM基带信号可以写成复数形式：s(t) = exp(jπk t²)，其中k = B/Tp是调频斜率，B是带宽，Tp是脉宽。因为用了复数基带表示，实际射频信号相当于对这个复数包络做上变频，处理时转到零中频做复信号运算，好处是能保留相位信息，后续多普勒处理全靠它。

这里有个关键参数直觉：距离分辨率ΔR只由带宽决定，ΔR = c / (2B)，和脉宽没关系。比如B = 10MHz时，ΔR = 3×10⁸ / (2×10⁷) = 15米。这个“压缩之后的分辨率由带宽决定”的特性，是理解LFM最核心的一步。我在PLFM_RADAR里默认参数就选了10MHz带宽，配合20μs脉宽，时间带宽积是200，脉冲压缩增益约为10lg200 ≈ 23dB，这对目标检测来说已经比较可观。

2.2 回波和目标怎么建模

建立回波模型时，我用了最简单的点目标假设。每个目标用三个参数描述：距离R、径向速度v、复幅度A（代表反射强度和雷达方程决定的回波功率）。

目标距离产生的延时是τ = 2R / c。回波相当于发射信号在时间上平移τ，同时因为多普勒效应，载频有一个偏移fd = 2v / λ，对应到基带就是回波相位随慢时间变化。用公式来看，第p个脉冲、快时间t的回波可以近似写成：

rx(t, p) = A · s_tx(t - τ) · exp(j2π fd · p · PRT)

这里有一个我一开始容易忽略的点：多普勒相位的主要体现在脉冲与脉冲之间，而不是同一个脉冲内部。一个脉宽只有20μs，目标在这么短时间里移动的距离远小于距离分辨单元，所以脉内多普勒相位变化可以忽略；但相邻脉冲间隔1ms，同样的速度积累下来就有明显相位差。把快时间看成一个距离轴，把慢时间看成另一个采样轴，回波就是一个二维矩阵，这个视角是后面MTD处理的基础。

在代码里设置目标时，还要把距离转换成离散采样点。观测窗口0到20km，对应最大延时约133μs，采样率40MHz时，一个脉冲的距离维采样点数就是5333。目标延时换算成采样点时会落在某个距离单元附近，两个目标如果间隔大于一个距离分辨单元，压缩后就能分开。

2.3 采样率与观测窗口的确定

很多人写雷达仿真时容易把采样率随便设个2倍带宽，但实际复基带处理时最好留一点过采样余量。因为数字匹配滤波在频域做，采样率太低会导致后续FFT栅栏效应明显，压缩后的峰值定位不准。我用的是40MHz采样率，带宽只有10MHz，相当于4倍过采样。代价是数据量变大，但对于几公里到几十公里的观测窗口而言，这个内存开销完全可以接受，换来的是波形细节更可信。

观测窗口的采样点数等于窗口最大距离对应的延时乘以采样率。如果窗口是20km，时间长度是2×20000/3e8≈133μs，点数就是40e6×133e-6≈5333个点。在做FFT时，我会把点数补齐到2的整数次幂，比如8192，这样能改善频率分辨率，也方便复用同一套FFT结果。

3. 核心处理模块的实现与参数调优

3.1 脉冲压缩：匹配滤波的“为什么”和“怎么加窗”

脉冲压缩的数学本质是匹配滤波。匹配滤波器的传递函数是发射信号频谱的共轭，也就是说，它对与发射信号强相关的分量给出最大输出信噪比。在数字实现上，就是把接收回波和发射参考波形做FFT，频域相乘再IFFT回来。这比直接用卷积快，而且对长脉冲来说，FFT方式的效率优势非常明显。

def pulse_compress(s_rx, s_ref, n_fft=None): if n_fft is None: n_fft = len(s_rx) + len(s_ref) - 1 n_fft = int(2 ** np.ceil(np.log2(n_fft))) S_rx = np.fft.fft(s_rx, n_fft) S_ref = np.fft.fft(s_ref, n_fft) return np.fft.ifft(S_rx * np.conj(S_ref), n_fft)[:len(s_rx)]

这里要特别提醒一个细节：参考波形s_ref必须在发射脉冲的持续时间内，而且最好和发射信号完全一致。你如果取反了共轭或者只是简单翻转时间轴，在大多数基带场景下会得到完全错误的结果，我在调试早期就吃过这个亏。

不加窗的LFM脉冲压缩，输出旁瓣会比较高，第一旁瓣大约比主峰低13dB。这在单目标场景无所谓，但如果有一个大目标旁边紧挨着一个小目标，小目标很可能被大目标的旁瓣盖住。我的做法是在匹配滤波时对参考波形做时域加窗，比如Hamming、Blackman或Taylor窗。代价是主瓣会变宽一些，距离分辨率从理想的15米变成大约18到20米，但旁瓣能压到-30dB以下。工程上这种分辨率与旁瓣之间的取舍，几乎总是优先把旁瓣压下去，因为检测弱目标的能力往往比一两米的距离分辨能力更宝贵。

3.2 相参积累与MTD：多个脉冲换出速度维

单脉冲回波压缩之后只能得到距离信息，速度提不出来。要测速度，需要用一串脉冲做相参积累。一个脉冲的相位受目标多普勒影响后，沿慢时间看就是一条离散正弦序列，频率等于fd。对每个距离单元沿慢时间做FFT，就能把慢时间域转到多普勒域，得到一张以距离为横轴、多普勒频率为纵轴的二维图谱，这就是距离-多普勒图（RD图）。

实现上，先构造快时间×慢时间的二维复数矩阵，然后对每一行（每个距离门）沿慢时间做N点FFT。N越大，速度分辨率越高。速度分辨率的理论值是Δv = λ / (2NT_PRT)，代入默认参数λ=0.03m、N=64、PRT=1ms，算出来大约是0.23m/s。这个精度对行人、车辆级别的目标识别已经够用。

需要留意的是多普勒模糊。用PRF=1000Hz采样最大可观测多普勒频率是±500Hz，对应速度是±λ×PRF/4=±7.5m/s。我在仿真里设置的目标速度如果超过这个范围，就会折叠到错误的多普勒单元。所以设置目标参数时，v=5m/s、v=-2m/s这样的值是安全的，而v=20m/s则会出现模糊。这不算bug，是采样定律在慢时间维的自然结果，但实际调试时很容易误判为目标位置异常。

3.3 CFAR检测：调阈值才是真正考验

RD图出来之后，下一步是从二维数据里把目标找出来。直接用固定阈值不靠谱，因为残余噪声和杂波背景在不同距离、不同多普勒单元变化很大。工程上最常用的做法是恒虚警检测，核心思想是在被检测单元的周围选取一组参考单元，用局部背景功率估计噪声水平，再乘一个系数作为门限。目标单元的功率超过这个局部门限，就判为目标。

CA-CFAR是最基本的实现。对某一维数据，在每个检测单元两侧各取N_ref个参考单元，检测单元与参考单元之间留出N_guard个保护单元，目的是防止目标自身的主瓣泄漏影响噪声估计。噪声功率取参考单元的平均值，然后乘以阈值因子α。α可以根据虚警概率和参考单元数计算：

这是我自己写的一个一维距离维CFAR函数：

def cfar_1d(signal, pfa=1e-4, guard=4, reference=16): det = np.zeros_like(signal, dtype=int) start = guard + reference end = len(signal) - guard - reference for i in range(start, end): left = signal[i - guard - reference : i - guard] right = signal[i + guard + 1 : i + guard + 1 + reference] noise = (np.abs(left) + np.abs(right)).mean() alpha = reference * (pfa ** (-1.0 / reference) - 1.0) if np.abs(signal[i]) > alpha * noise: det[i] = 1 return det

保护单元数量太小时，大目标会让噪声估计偏高，结果“自己抬高了门限把自己压死”，我在代码里默认保护单元取4个，参考单元取16个。如果想对RD图做二维CFAR，思路是一样的，只不过参考单元从一维变成二维矩形区域，复杂度更高。PLFM_RADAR目前先用距离维CFAR演示，因为对单目标检测已经足够，而且一维处理更容易可视化，便于初学者理解门限是怎么跟着背景走的。

4. 实操走一遍：从参数配置到检测出图

4.1 环境依赖与目录结构

整个项目只依赖四个基础包：NumPy做数值计算，SciPy偶尔用来算窗函数和插值，Matplotlib画图，PyYAML读取配置文件。Python版本建议3.9以上。目录结构我习惯拆成配置、信号生成、处理、检测、可视化几条线：

plfm_radar/ ├── config/ │ └── default.yaml ├── plfm/ │ ├── waveform.py │ ├── echo_model.py │ ├── processor.py │ ├── detector.py │ └── visualize.py └── run_demo.py

这种分层的坏处起初看起来“过度设计”，但调试时特别好用。比如目标检测有问题，可以直接定位到detector.py，不用去翻回波生成代码；波形参数要调，也只改配置文件。对于个人项目来说，降低“下一个星期的自己”的阅读成本比多写几行抽象代码更重要。

4.2 核心代码实现

波形生成部分，我直接生成时域复基带LFM信号，注意t要落在0到Tp范围内：

def gen_lfm(t, bandwidth=10e6, tp=20e-6): k = bandwidth / tp return np.exp(1j * np.pi * k * t**2)

回波生成部分，把所有脉冲写成一个二维复数矩阵。这里用了一个很直观的方式：先算每个目标在每个距离采样点是否落在发射脉冲持续时间内，再叠加慢时间相位。

def gen_echo(waveform, t_fast, targets, fc, prt, n_pulse): c = 3e8 wavelength = c / fc n_fast = len(t_fast) rx = np.zeros((n_pulse, n_fast), dtype=complex) for R, v, amp in targets: delay = 2 * R / c fd = 2 * v / wavelength s_indices = np.where((t_fast >= delay) & (t_fast < delay + len(waveform) / (40e6)))[0] tx_start = int((delay - t_fast[0]) * 40e6) tx_len = len(waveform) if tx_start < n_fast and tx_start + tx_len > 0: lo = max(0, tx_start) hi = min(n_fast, tx_start + tx_len) for p in range(n_pulse): phase = np.exp(1j * 2 * np.pi * fd * p * prt) rx[p, lo:hi] += amp * waveform[lo - tx_start : hi - tx_start] * phase return rx

这段代码为了可读性牺牲了向量化，真实场景我会用更紧凑的写法，但逻辑是完全一致的。逐个脉冲循环的好处是能随时打印中间变量，排查目标回波到底加没加进去。

主流程调用顺序也很简单：

for p in range(n_pulse): compressed[p] = pulse_compress(rx[p], waveform) rd_map = np.fft.fftshift(np.fft.fft(compressed, axis=0), axes=0) det_mask = cfar_2d(rd_map)

先逐脉冲压缩，再沿慢时间维做FFT得到距离-多普勒图，最后CFAR选点。

4.3 一份参数跑出来的预期结果

我用下面这套参数跑了一遍作为基线：

两个目标距离差150米，理论距离分辨15米，所以压缩之后在距离维能明显分开。速度差7m/s，远大于0.23m/s的分辨率，多普勒维也能清楚分离。RD图上能看到两个独立的尖峰，CFAR检测后自动在对应距离-多普勒单元上打标记。如果想看更接近真实系统的效果，可以在回波里叠加高斯白噪声，然后观察检测门限随信噪比变化的过程，这也是这套平台最适合演示的一个场景。

5. 常见问题与排查心得

5.1 我踩过的高频坑

第一个坑是匹配滤波参考波形搞反。细节就不展开了，但现象很典型：压缩输出变成一团乱糟糟的噪声，完全没有尖锐峰值，距离信息完全丢失。排查时我打印了输入和参考信号的频谱，发现二者的相位谱没有共轭关系。解决办法是确认参考信号S_ref是发射基带信号本身，脉冲压缩时用S_rx乘以S_ref的共轭。

第二个坑是噪声和强目标的旁瓣互相干扰。固定阈值门限会把整个RD图上所有超过阈值的点都判成目标，导致强目标附近出现一串虚假检测。用CFAR之后好了很多，但保护单元设置太小又出现了“目标自消”。最终的保护单元数量要根据目标在压缩后的主瓣宽度来定，LFM脉冲压缩后主瓣只占少量几个采样点，4个保护单元足够，再多反而会让距离很近的两个真实目标无法分离。

第三个坑是速度模糊。我之前为了演示方便设了一个v=20m/s的目标，结果目标出现在RD图上完全错误的多普勒位置，一度以为是MTD代码写错了。实际上是不模糊速度范围只有±7.5m/s，20m/s产生了混叠。解决方法是降低目标速度，或者提高PRF重新设计观测窗口和距离范围。这也提醒我，在仿真平台里设置目标参数前，先算一遍采样定律约束，能省掉大量无谓的调试时间。

5.2 经验速查表

5.3 调试时最有用的一招

我的经验是，调试雷达仿真时不要总盯着最终RD图看，一定要把中间每一级的数据都“拆”出来对比。发射波形出来后先画时域幅值和频谱；回波生成后画单个脉冲的距离剖面；压缩之后再看峰值位置和旁瓣水平；最后才做MTD和CFAR。哪一级不对，就在哪一级停住。PLFM_RADAR现在的做法是每个关键函数都提供plot开关，数据流跑完一遍，中间图也跟着出一遍，定位问题基本就是几分钟的事。

说实话，这套平台做到现在也只算一个验证框架，离真正的雷达系统还差着杂波模型、天线方向图、多目标跟踪、恒虚警门限的精细标定这些内容。但它确实帮我打通了一条从公式到算法再到系统指标的链路。如果你也在做类似的事情，我的建议是先从一个固定参数配置开始，确保看到清晰的RD图之后，再逐步引入噪声、杂波和更复杂的检测算法。等你把这条链路彻底“走熟”了，再往里面添加新的处理模块，就会非常顺手。后面我打算把杂波模型和二维CFAR的变体加进去，到时候再单独整理成一篇接着聊。