简介：雷达系统设计MATLAB仿真代码包面向雷达系统设计初学者与工程师，旨在通过MATLAB仿真将距离、距离分辨率、多普勒频率等基础概念与工程实践衔接，帮助解决原理抽象、实验条件受限等问题。包内以“我的雷达”案例带动学习，覆盖信号生成、传播模型、目标检测与跟踪、性能评估及可视化等典型仿真环节，读者可运行脚本观察回波生成、脉冲积累与参数变化对探测性能的影响。压缩包内共13个文件，全部为.m格式的MATLAB源代码脚本，包体仅8KB，代码轻量、便于逐行研读与二次修改。目前已有1170人浏览学习，配套第一章基础概念与案例内容，适合作为雷达系统课程设计、自学入门的参考代码库。 做雷达系统设计的同学应该都有体会，不管你是刚接触雷达信号处理的研究生，还是已经在行业内写了好几年算法的工程师，MATLAB 仿真几乎是一门绕不开的必修课。拿我自己来说，最早接触雷达系统设计 MATLAB 仿真 代码的时候，其实是一脸懵的——教材上讲了一堆模糊函数、匹配滤波、CFAR 检测，公式推导倒是看得懂，但真到要自己写出能跑、能出图、能验证算法的完整仿真代码时，才发现理论和工程实践的差距比想象中大得多。
这篇内容我不想写成学院派教材的电子版，而是想从一个“踩过不少坑、也沉淀了一些套路”的从业者角度，把一套完整的雷达系统设计 MATLAB 仿真框架拆开揉碎给你看：整体思路怎么搭、核心参数怎么定、代码怎么分层、常见问题怎么排查。没有花哨的东西，纯干货。适合三类人看：刚入门雷达仿真、需要快速搭出验证平台的在校学生，工作中要评估算法性能或做方案论证的雷达工程师，以及想把 MATLAB 仿真作为学习工具、深入理解雷达工作原理的硬件或测试岗朋友。
1. 雷达仿真项目的整体设计思路
1.1 为什么选择 MATLAB 做雷达系统设计
在我做过的仿真项目里，MATLAB 依然是雷达系统设计里性价比最高的工具，没有之一。硬件工程师可能更习惯用 CST、HFSS 做电磁场全波仿真，但那是解决“天线和结构”的问题；系统工程师和算法工程师更关心的是“信号从发射、传播、目标反射、接收处理，到最后检测和估计”这条完整链路。MATLAB 的优势恰恰就在这里：矩阵运算天然适合脉冲压缩、FFT、滤波、相关运算；Simulink 可以搭数据流模型，让你看清每个处理模块的输入输出；Phased Array System Toolbox 和 Signal Processing Toolbox 把这些常用模块做得非常成熟，很多基础函数直接调用就行。
说实话，早期我做仿真的时候总喜欢一行行手写所有算法，觉得这样“扎实”。后来发现这个习惯严重拖慢进度——雷达信号处理有很多标准化处理模块，与其自己造轮子，不如在理解原理的基础上直接调用工具箱函数，把精力放在系统级的参数设计、波形设计和算法改进上。这不是偷懒，是效率。
1.2 MATLAB 雷达仿真的整体流程框架
一个完整的雷达系统仿真，无论你做什么体制，都可以抽象成“发射-传播-散射-接收-处理”这五个环节。我习惯把整个项目拆成五个模块来组织代码：
- 场景与参数初始化模块：设置雷达工作频率、带宽、采样率、脉冲重复频率、天线参数、目标位置和速度、噪声水平等。
- 波形生成模块：根据雷达体制生成发射信号，常见的有线性调频（LFM）信号、步进频信号、相位编码信号。
- 回波建模模块：计算目标时延、多普勒频移，叠加路径衰减和噪声，再加上地杂波或干扰信号。
- 接收处理模块：匹配滤波、去斜处理、MTI/MTD、相参积累、CFAR 检测、参数估计。
- 评估显示模块：画时域波形、频谱、距离-多普勒图、检测结果，定量评估检测概率、测距测速精度。
分层设计的好处非常明显：你想换一个波形体制时，只需要改波形生成模块；想增加一个目标或杂波模型时，只需要动场景参数模块。代码的可复用性上去了，后续做蒙特卡洛分析也能省下大量重复劳动。
1.3 不同雷达体制的仿真选型
雷达仿真第一步不是写代码，而是想清楚你要仿真的“是什么体制的雷达”。我自己的经验是，这个选择会直接决定你的信号模型、处理链路和计算量。
- FMCW 雷达：发射连续波调频信号，处理上常用差频（拍频）方式，结构简单、成本低，常见于车载雷达、近程测距和高度计。仿真的核心在于去斜处理和距离-多普勒耦合现象。
- 脉冲多普勒雷达：发射周期脉冲串，通过相参积累同时测距测速，能利用多普勒频率区分运动目标和静止杂波，常见于机载火控雷达、监视雷达。仿真最核心的是多脉冲处理和二维 FFT。
- 相控阵雷达：利用阵列天线实现波束电扫，可以在一个脉冲内同时完成搜索和跟踪。仿真不仅涉及信号处理，还涉及阵列流型、波束形成。
如果你刚开始做雷达仿真，我强烈建议先拿 FMCW 或单脉冲体制练手，它们信号模型相对简单，又能把从发射到检测的完整链路走通，非常适合作为入门的第一课。
2. 雷达系统设计仿真的核心原理与关键参数
2.1 雷达方程：所有仿真的起点
很多同学写雷达仿真代码的时候，上来就生成波形、加上回波，却忽略了一个最基础的东西——雷达方程。雷达方程告诉你：一个给定雷达能看到多远的目标，目标回波信噪比是多少。回波信号幅度怎么设、噪声功率怎么设，这些都是由雷达方程反推出来的。
雷达方程的最简形式是：
Pr = Pt * Gt * Gr * λ² * σ / ((4π)³ * R⁴ * L)
其中：Pt 是发射峰值功率，Gt/Gr 是收发天线增益，λ 是波长，σ 是目标雷达散射截面积（RCS），R 是目标距离，L 是系统损耗。
实际仿真中，我不会真的去求接收功率本身，而是更关心信噪比 SNR。接收到的信号功率除以噪声功率（k * T0 * B * F）就得到了单脉冲 SNR。举个例子：假设某雷达工作频率 10 GHz，λ = 0.03 m，发射功率 1 kW，天线增益 30 dB，目标 RCS 为 1 m²，距离 10 km，带宽 1 MHz，噪声系数 3 dB，系统损耗 6 dB。把这些代入雷达方程，算出来的单脉冲 SNR 大约在 10~15 dB 左右。这个值直接影响你在代码里设置回波幅度与噪声方差的比例。
所以，写仿真代码时，请务必将雷达方程的计算放进参数初始化脚本里。这样后续做检测概率分析时，你的 SNR 是有物理意义的，而不是拍脑袋拍出来的。我这里也是从实际项目中总结的经验，你会发现按这个流程走，仿真结果和理论值能对得上，后面算法验证才有说服力。
2.2 FMCW 雷达的差频与距离-多普勒耦合
FMCW 雷达的核心思路是发射频率随时间线性变化的连续波，接收回波后与本地发射信号混频，得到差频信号。差频频率的大小正比于目标时延，也就是正比于距离。
假设发射信号是锯齿波调频，调频斜率为 K = B / T（B 为带宽，T 为调制周期）。那么静止目标的差频就是 fb = K * τ = K * 2R / c。如果目标有径向速度，回波还会叠加一个多普勒频移 fd = 2v / λ，导致测量得到的差频变成 fb = K2R/c - fd（上升沿）或 K2R/c + fd（下降沿）。这就是所谓的“距离-多普勒耦合”——单靠一个锯齿波周期，你无法同时解算出距离和速度。
在这块我踩过不少坑。刚开始做 FMCW 仿真时，我直接用单斜坡信号去测一个高速运动目标，结果距离测量值偏了一大截，还以为是代码写错了。后来才意识到是距离-多普勒耦合没有处理。解决办法常见有两种：一是用三角波调频，利用上、下扫频的差频联立求解距离和速度；二是用快-慢时间二维 FFT，在慢时间维做 FFT 得到多普勒频率，从而解耦。仿真时建议你把两种方法都实现一遍，对比一下测距测速精度，这个练习对理解 FMCW 体制帮助非常大。
2.3 脉冲多普勒与相参积累
脉冲多普勒雷达发射一串相参脉冲，每个脉冲回波经过匹配滤波后，在快时间维（距离维）上得到目标的距离位置；而在慢时间维（脉冲维）上，由于目标运动导致每个脉冲间的相位发生变化，这种相位变化正好反映了多普勒频率。对慢时间维做 FFT，就能把不同速度的目标区分开。
这个“相参积累”的过程是脉冲多普勒雷达的灵魂。积累 N 个脉冲后，信号幅度增加 N 倍，功率增加 N² 倍，但噪声是随机起伏的，功率只增加 N 倍，所以相参积累能把 SNR 提升 N 倍（也就是 10*log10(N) dB）。
例如你有 64 个脉冲做相参积累，SNR 可以提升 10*log10(64) ≈ 18 dB。我设计仿真时，通常会先算单脉冲 SNR，再算积累增益，最后估算检测能力，整个过程非常清晰。注意，积累增益的前提是目标在一个相参处理间隔内不发生距离走动（也就是目标跨距离单元走动问题），高速目标或大带宽情况需要做距离走动补偿，不然积累增益会大幅下降。
3. 从零搭建仿真代码的实操过程
3.1 初始化参数与场景建模
代码的第一部分就是参数初始化。我习惯把所有物理参数集中放在一个结构体里，方便后续修改和脚本统一管理。下面是一个典型的 FMCW 雷达参数设置的示例，你可以直接照着改。
%% 雷达系统参数设置 c = 3e8; % 光速 fc = 77e9; % 载频 77GHz（毫米波雷达常用） lambda = c / fc; % 波长 B = 1e9; % 带宽 1GHz，对应距离分辨率约0.15m T_chirp = 40e-6; % 单chirp时长 40us K = B / T_chirp; % 调频斜率 Fs = 20e6; % 采样率 20MHz（中频带宽决定） N = 1024; % 单个chirp采样点数 PRF = 1 / T_chirp; % 脉冲重复频率 N_pulse = 128; % 慢时间维脉冲个数 %% 目标设置 R_target = 50; % 目标距离 50m V_target = 10; % 目标径向速度 10m/s RCS = 1; % 目标RCS 1m2 %% 噪声与链路 SNR_dB = 15; % 单脉冲压缩后信噪比 noise_power = 10^(-SNR_dB/10); % 归一化噪声功率这段代码的好处是：参数全部集中、单位固定（国际单位制）、注释清楚。做仿真调试时，80% 的错误都出在参数设置上，所以这里值得多花十分钟认真检查。
3.2 发射波形与回波信号生成
FMCW 的发射信号是线性调频连续波。仿真的回波生成有两个层次，我建议都掌握：
层次一（简单方式）：直接用差频信号建模，即假设目标点目标，直接把时延和多普勒频移加到差频信号的相位上。这种方式计算快，适合验证处理算法。
层次二（更真实的信号级仿真）：先生成完整的射频发射信号，经过目标反射延时，再与本地参考信号混频滤波得到差频信号。这种方式更贴近真实硬件，但计算量大、代码也稍复杂。
下面我用层次二的思路给出核心代码，因为它能让你理解 FMCW 回波产生的全过程：
t = (0:N-1) / Fs; % 快时间轴（单chirp内） tx = exp(1j * (2*pi*(fc*t + 0.5*K*t.^2))); % 发射信号（复基带表示，已去掉载频） tau = 2 * R_target / c; % 目标回波时延 fd = 2 * V_target / lambda; % 多普勒频率 % 接收信号：时延+多普勒 rx = exp(1j * (2*pi*(fc*(t-tau) + 0.5*K*(t-tau).^2) + 2*pi*fd*t)); % 混频（去斜）处理：将接收信号与发射信号共轭相乘 beat = rx .* conj(tx); % 加入噪声 rx_noise = beat + sqrt(noise_power/2) * (randn(size(beat)) + 1j*randn(size(beat)));这里的核心理解点：混频输出的差频信号频率是 K*τ，正比于目标距离。注意我处理多普勒时是直接乘了一个相位因子，这在“停-跳”模型下是合理的，目标在一个脉冲内近似不动，但脉冲间相位按多普勒变化。
3.3 距离维 FFT 与慢时间维 FFT
差频信号生成后，接下来就是标准的二维 FFT 处理。先对每个 chirp 做距离维 FFT（快时间维），得到目标距离；再对不同 chirp 的同一距离单元做慢时间维 FFT，得到多普勒维。
% 距离维FFT range_win = hann(N); % 加窗降低旁瓣 range_fft = fft(bsxfun(@times, rx_noise, range_win(:)), N, 1); % 慢时间维FFT（在脉冲维上做FFT） doppler_win = hann(N_pulse); rd_map = fftshift(fft(range_fft, N_pulse, 2), 2); % 距离与速度轴映射 freq_axis = (-N/2:N/2-1) * (Fs / N); % 距离维频率轴 range_axis = freq_axis * c / (2 * K); % 映射到距离 vel_axis = (-N_pulse/2:N_pulse/2-1) * (lambda / (2*T_chirp*N_pulse)); % 速度轴这段代码里有几个坑，我第一次踩的时候都很头疼，这里提前预警：
- 加窗后目标幅度会变，信号能量被展宽到旁瓣里，所以幅度轴要乘以一个窗函数能量修正系数，不然幅度估计偏低。
- fftshift 的位置必须放在慢时间维 FFT 之后，否则频点顺序不对。
- 由于快时间维采样频率和慢时间维 PRF 不同，距离轴和速度轴的映射公式一定不要混淆。
最终画出来的距离-多普勒图有两种最常用的显示方式：一种是直接用 imagesc 看二维热力图，另一种是看某个距离单元的速度剖面。实际项目里，两种都要用，一个看全局，一个看细节。
3.4 CFAR 检测与检测门限设定
距离-多普勒图看完了，目标也许很亮眼，但你还不能直接说“检测到了”，因为实际场景中你根本不知道目标在哪。传统做法是在距离-多普勒图上用 CFAR（恒虚警率）检测，自适应地设置门限。
CFAR 的思路很简单：对每个待检测单元，取它周围一圈保护单元和参考单元；保护单元避免目标能量泄漏到参考单元里影响估计；参考单元用来估计局部噪声功率；门限 = 噪声功率 * 门限因子。最常用的是 CA-CFAR（单元平均 CFAR）。在 MATLAB 中可以直接用 phased.CFARDetector 对象实现，大大降低代码量。
cfar = phased.CFARDetector(... 'Method', 'CA', ... 'GuardBandNumberOfCells', 4, ... % 保护单元数量（两侧各4个） 'ReferenceBandNumberOfCells', 20, ... % 参考单元数量（两侧各20个） 'ProbabilityFalseAlarm', 1e-4, ... % 虚警率 'ThresholdFactor', 'Auto'); % 假设rd_map是N点距离 x M点多普勒的二维谱 % CFAR检测通常先对某一维做，可对距离-多普勒图逐行处理 for m = 1:N_pulse det_mask(m,:) = cfar(rd_map(:,m), 1:N); endCA-CFAR 的原理是假设参考单元里的噪声是均匀的，但实际中如果目标密集或者地杂波很强，均值估计会被污染，这时候建议换用 OS-CFAR（有序统计 CFAR）或者 GO-CFAR（最大选择 CFAR），它们对抗多目标和杂波边缘的能力更强。这个经验在真实项目中非常有用，仿真阶段建议你也多试几种 CFAR 方法对比效果。
3.5 相控阵方向图与波束扫描仿真
如果你的项目涉及相控阵天线，那仿真的核心会从“单纯信号处理”扩展到“空域滤波”。相控阵天线通过调节每个阵元的相位延迟，让电磁波在某一方向上同相叠加形成波束。
假设均匀线阵（ULA），阵元间距 d = λ/2，阵元数为 M。指向 θ0 方向的波束形成权值为：
M = 16; d = lambda / 2; theta0 = 30; % 波束指向方位角 30° theta_scan = -90:0.1:90; w = exp(1j * 2*pi * d/lambda * (0:M-1)' * sind(theta0)); % 导向矢量 % 扫描各方向上的阵列响应 array_response = zeros(size(theta_scan)); for idx = 1:length(theta_scan) sv = exp(1j * 2*pi * d/lambda * (0:M-1)' * sind(theta_scan(idx))); array_response(idx) = abs(w' * sv); end plot(theta_scan, 20*log10(array_response/max(array_response)));运行后你会看到波束主瓣指向 30°，同时出现栅瓣和旁瓣。栅瓣的抑制靠选择阵元间距（d ≤ λ/2），旁瓣的抑制靠幅度加权（如切比雪夫加权、泰勒加权）。这里有个很重要的细节：在波束扫描到大角度时，主瓣会变宽，增益会下降，这就是“扫描损失”。仿真时如果忽略这个损失，你会对远距离大角度目标的检测能力过分乐观。真实相控阵雷达设计时还必须考虑阵元互耦、幅相误差、宽带效应，这些在系统级仿真中通常用误差模型简化和近似。
4. 常见问题与排查技巧实录
4.1 FFT 频率轴与距离轴映射错误
这是我见过最多的问题，也是我自己初期经常犯的错误。距离轴映射公式是 R = f * c / (2K)，注意这里 f 是基带差频频率，不是射频载频。很多人容易把 FFT 之后的 bin 索引直接当作频率，忘了乘上频率分辨率 Fs/N。举个例子：采样率 20 MHz，FFT 点数 1024，那么频率分辨率约 19.5 kHz，对应的距离分辨率约为 0.15 m（在带宽 1GHz 下）。如果忘了乘 19.5kHz 这个分辨率，距离轴就会完全对不上。
排查方法很粗暴但有效：设一个已知距离的静止目标跑通全链路，打印出峰值对应的 bin 索引，手算一下理论频率和距离，再看代码映射是否一致。只要这一步对齐了，后面再多目标都不会乱。
4.2 目标信噪比为什么和理论值对不上
很多人把回波加上噪声后，发现检测概率和理论曲线对不上，第一反应是 CFAR 写错了。其实更常见的原因是 SNR 的定义位置不一致。雷达方程给的是接收信号功率与噪声功率之比，但你在仿真里加噪声时，要区分是射频前端噪声还是基带噪声，是在匹配滤波前还是匹配滤波后。匹配滤波本身有处理增益（时宽带宽积 TB），也就是说即便输入 SNR 很低，匹配滤波输出 SNR 会高很多。如果你的仿真里没考虑这个增益，目标就可能被噪声淹没，显示不出来。
我在仿真中处理这个问题的方法是：先计算接收端的输入 SNR，做匹配滤波后再算一次输出 SNR，对比理论增益，确认代码正确后再继续后续检测流程。
4.3 蒙特卡洛仿真效率低与随机种子设置
做检测概率曲线时，通常要跑上千次蒙特卡洛。如果每次循环都重新生成目标回波、重新滤波、重新 FFT，MATLAB 的速度会非常慢。我有三个优化经验：
- 把不随目标变化的量（如距离维窗函数、匹配滤波系数、CFAR 权重）提前算好，不要放在循环里重复计算。
- 使用 parfor 并行循环，前提是每次迭代之间相互独立。
- 随机种子要仔细设置：如果给每个蒙特卡洛循环都用同一个随机种子，你会得到完全一样的噪声，检测概率曲线就是“错”的；用 rng(jobIndex) 或者 rng('shuffle') 配合不同种子，才能得到正确的统计结果。
不过我提醒一句：用 parfor 之前先确认你的随机流用法正确，不然并行循环里代码看似跑了，结果却变了，这个坑特别隐蔽。
4.4 从仿真到硬件实测的差距
仿真代码跑通了，不代表真实雷达就能达到同样的效果。我参与过几次从 MATLAB 仿真到 FPGA 原型验证的项目，最大的体会是：仿真里理想假设太多，实测环境复杂得多。比如我遇过的问题有：发射机相位噪声导致多普勒维底噪抬升、ADC 饱和导致大目标附近出现虚假目标、天线罩反射导致近距离盲区。这些在纯 MATLAB 仿真里如果不主动建模，是永远发现不了的。
所以我的建议是：在仿真阶段就预留“非理想特性”的接口，比如相位噪声、IQ 幅相不平衡、ADC量化位数、天线方向图误差等。哪怕前期先用理想模型，也要为后续扩展留好数据结构，否则到项目后期再改代码，工程量和心累程度都是翻倍的。
今天这篇梳理了我自己在雷达系统设计 MATLAB 仿真项目里最常用的一套代码框架和调参思路。从整体架构到 FMCW 信号生成，再到二维 FFT、CFAR 检测和相控阵方向图，基本覆盖了从入门到能做系统级验证的主要路径。最后再分享一个自己一直保留的习惯：仿真代码不只是给自己看的，给算法文档、给同事评审时，参数和版本管理一定要规范。否则过两周回来看自己的代码，真的会怀疑是不是别人写的。做雷达仿真，严谨是第一位的，希望这篇经验能帮你少走一些我走过的弯路。
本文还有配套的精品资源，点击获取
