含阶跃信号的连续时间卷积计算：三步锁定积分区间

有人学信号与系统，最怕的不是傅里叶变换，而是卷积。因为傅里叶变换至少还能查表，卷积却是一个连积分区间都要自己推的运算。尤其是被积表达式里一旦出现阶跃信号 u(t)，很多同学立刻乱了套：上限写 t 还是写常数？区间怎么分段？分段点从哪里找？最后算完一对答案，符号错、区间错、常数丢，几乎每道题都能找到三个以上的扣分点。

这篇文章要讲清楚的主题，就是“含阶跃信号的连续时间卷积计算”。它对应 2025 年成都信息工程大学信号与系统课程的典型考题场景，也是“小马哥960题”这类题库中反复设定的一类基础计算题。这里先给出全文的核心判断：卷积计算的难点从来不是积分本身，而是“积分区间”的确定；阶跃信号的作用，恰恰是为积分区间提供严格的边界约束。谁掌握了这一点，谁就能把含阶跃信号的卷积题从“头疼题”变成“送分题”。

读完这篇文章，你应该能掌握三件事。第一，拿到含阶跃信号的卷积题，能用图解法快速确定积分区间，了解题目该分几段讨论。第二，能用解析法写出完整的、可以代入任意时间点验证的分段表达式。第三，能利用卷积的微积分性质对自己的答案做快速自检，而不是算完就扔。整篇文章只讨论连续时间信号，不涉及离散卷积，也不打算把傅里叶变换拉进来凑篇幅。

1. 为什么含阶跃信号的卷积计算总丢分

1.1 卷积在信号与系统课程中的地位

卷积积分被多数教材放在第二章，这并非随意安排。整个线性时不变（LTI）系统理论都建立在一个基本结论上：系统对任意输入信号的响应，等于输入信号与系统单位冲激响应的卷积，也就是 y(t)=x(t)*h(t)。这一行公式后面学傅里叶变换、拉普拉斯变换、系统响应求解时都会反复出现。如果卷积计算不过关，后面课程内容学起来会越来越吃力。

在考试层面，卷积计算通常以计算大题、画图题、选择题混合考查。特别是含有阶跃信号的连续时间卷积，几乎每一套试卷都会出现。以成都信息工程大学信号与系统课程近年的考核风格来看，这类题目通常放在连续时间系统的时域分析部分，目的是考查考生能否把抽象的积分公式转化为具体的计算能力。它不是在故意为难你，而是在替你检查基础是否扎实。

1.2 丢分的三个典型原因

第一个原因：只记公式，不知道区间从哪里来。不少同学背下 y(t)=∫x(τ)h(t-τ)dτ，但真正做题时，不知道被积函数什么时候等于零，更不知道积分限在哪里。比如计算 u(t)*u(t)，如果不考虑阶跃信号的约束，直接写成 ∫1dτ，不但得不出与 t 有关的答案，还会得到无穷大。正确做法是先保留阶跃函数，再由 u(τ) 和 u(t-τ) 推出积分范围 0≤τ≤t，最后对 t 分区间讨论。

第二个原因：图解法画了，但折叠方向搞反。图解法要求把 h(t-τ) 理解成对 h(τ) 先折叠得到 h(-τ)，再沿 τ 轴平移 t。有些同学直接画 h(τ-t)，导致所有区间判断错位。常见表现是：两个矩形脉冲算卷积，结果在 t<0 时也有非零值，这显然不符合两个因果信号卷积仍为因果信号的规律。

第三个原因：分段讨论漏点、端点处理随意。卷积积分里出现两个阶跃信号时，分段讨论几乎是必然的。很多同学分段时只看了一个约束，比如只考虑 f(τ) 里的 0≤τ≤2，却忽略了 h(t-τ) 里的 τ≤t，导致 t≥2 之后的那段结果算错。还有人在 t=0、t=2 这样的分界点上不检查连续性，得出来的分段函数在分界点跳变，一眼就能看出不符合卷积结果连续的性质。

1.3 这类题为什么值得专门练

含阶跃信号的卷积题有一个明显好处：计算套路固定，练习成本低、见效快。无论是考研还是期末，它都属于性价比很高的题型。“小马哥960题”把含阶跃信号的连续时间卷积计算列为基础题型，意图也很清楚：在时域部分先建立稳定的计算能力，后面学变换域方法时才不会频繁回头补账。

学这类题的通用流程可以概括为三步：用阶跃信号确定积分区间，分段完成积分，再用微积分性质验证。这篇文章后续会按照这个流程展开。先讲概念，再讲方法，然后做例题，最后给出错误排查清单。建议你准备一张纸和一支笔，把例题亲手算一遍，再去看后面的 Python 数值验证部分。动手算过一遍，和只看一遍，效果完全不同。

2. 基础概念：阶跃信号与卷积积分

2.1 阶跃信号的定义与性质

阶跃信号通常记作 u(t)，定义如下：

当 t>0 时 u(t)=1，当 t<0 时 u(t)=0；在 t=0 这一点，不同教材定义不同，有的取 1，有的取 1/2，有的干脆不定义。对于连续时间卷积计算和 LTI 系统分析来说，t=0 这一点的取值不影响积分结果，所以做题时不必纠结。

阶跃信号的图形是一条从 t=0 开始向右延伸的水平直线，左侧严格为 0。它像一个“开关”，告诉系统信号从 t=0 开始有效。利用这个性质，我们可以把任意一个在 t<0 时为零的信号写成 x(t)u(t) 的形式，这是做卷积题时非常重要的一步。

阶跃信号与冲激信号之间有直接的微积分关系：u'(t)=δ(t)。这个关系很关键。它意味着，如果两个信号的卷积结果可以求导，那么求导后的卷积关系会变得更简单。这也是后面用微积分性质自检答案的理论基础。

2.2 卷积积分的定义

两个连续时间信号 f(t) 和 h(t) 的卷积积分定义为：

$$y(t)=f(t)*h(t)=\int_{-\infty}^{+\infty} f(\tau)h(t-\tau),d\tau$$

这里的 τ 是积分变量，t 是参变量。h(t-τ) 表示对 h 先折叠得到 h(-τ)，再沿正方向平移 t。卷积的物理意义可以理解为加权叠加：把输入信号分解成无穷多个冲激，每个冲激经过 LTI 系统产生一个冲激响应，最后把这些响应按时间顺序叠加起来。

理解物理意义当然有帮助，但做题时更要紧的是把公式写对、把区间算对。公式里的 f(τ) 和 h(t-τ) 必须原样代入，尤其是阶跃函数不能随手丢掉。下面所有例题都会遵循这个原则。

2.3 卷积的基本性质

这六条性质里，前三条决定了“能不能拆”，最后三条决定了“拆完之后怎么简化”。做含阶跃信号的卷积题时，使用频率最高的是分配律、冲激卷积性质和微积分性质。

2.4 阶跃信号在卷积中的两个作用

第一个作用是确定积分区间。比如 f(τ) 中含 u(τ)，那么 τ<0 时被积函数为 0，积分下限可以从 0 开始；h(t-τ) 中含 u(t-τ)，那么 τ>t 时被积函数为 0，积分上限最多到 t。写卷积积分时，这两个限制缺一不可。

第二个作用是限定最终结果的表示形式。分段积分完成后，会得到不同区间上不同的表达式。用阶跃函数可以把它们统一写成一个紧凑式子，例如 t·u(t)，或者 (1-e^{-t})[u(t)-u(t-2)] 这样的形式。这种写法在画波形、求导验证时都更方便。

3. 三类核心计算方法

3.1 图解法：反折、平移、相乘、积分

图解法分四步。

第一步，反折：以纵轴为对称轴，把 h(τ) 折叠成 h(-τ)。

第二步，平移：把 h(-τ) 沿 τ 轴平移 t，得到 h(t-τ)。这里的 t 是参数，画图时把它当作一个可以滑动的常量。

第三步，相乘：在同一张图上画出 f(τ) 和 h(t-τ)，找到两者重叠的部分，把对应的函数值相乘。

第四步，积分：求乘积在 τ 轴上的积分，得到当前 t 时刻的卷积值。

图解法最大的价值是帮助判断“区间分几段”。比如两个矩形脉冲卷积，当 t 从小到大变化时，重叠区域的长度会经历从无到有、从小到大、再从大到小、最后到无的过程。只要找出重叠区间起点和终点的变化时刻，分段点就全部出来了。

图解法也有局限。当信号是无限长的指数信号或纯阶跃信号时，图形上的重叠区间虽然不多，但代数计算本身也不复杂，此时不一定非要画图。另外，图解法对作图精度要求不高，但对分段点的推导要求很高，绝对不能凭感觉画。

3.2 解析法：让 u(t) 帮你确定积分限

解析法的核心是把所有条件用公式锁死，不依赖画图。具体步骤如下。

第一步，把参与卷积的两个信号写成带阶跃函数的形式。例如 f(t)=e^{-t}u(t)，不要只写 e^{-t}，因为后者在 t<0 时不等于零，会让积分区间彻底错掉。

第二步，代入卷积积分式，把阶跃函数完整保留在被积函数里：

$$y(t)=\int_{-\infty}^{+\infty} f(\tau)u(\tau)\cdot h(t-\tau)u(t-\tau),d\tau$$

第三步，根据两个阶跃函数写出的约束条件，找出同时满足的 τ 范围。这个范围一般是一个区间 [A(t),B(t)]，A、B 可能是常数，也可能是 t 的一次函数。

第四步，对每个区间计算定积分，并把结果整理成分段函数或带阶跃函数的紧凑形式。

解析法的优点在于步骤固定、不容易漏条件。缺点是当分段点很多时，需要花时间整理每一段的表达式。实际考试中，大部分含阶跃信号的卷积题用解析法都能走通。

3.3 性质法：冲激提取与微积分验证

性质法不是一种独立的解法，而是一组加速计算和验证答案的技巧。常用的有三个。

第一个是冲激卷积。任何信号与冲激函数卷积等于它本身，即 f(t)*δ(t)=f(t)。如果冲激位于 t-T，则 f(t)*δ(t-T)=f(t-T)。这个性质可以用来快速处理组合信号中的冲激项。

第二个是分配律。当某个信号是两个简单信号的叠加时，先拆开再分别卷积，能明显降低计算难度。比如后面会遇到的 h(t)=δ(t-2)+u(t)，就可以拆成两个卷积之和。

第三个是微积分性质。如果 y(t)=f(t)*g(t)，那么 y'(t)=f'(t)*g(t)=f(t)*g'(t)。这个性质最实用的场景是验证答案：把算好的 y(t) 求导，再与 f'(t)*g(t) 对比，如果不一致，说明某段区间或者某个常数项出了问题。

3.4 方法对比

实际做题时，这三种方法不是互斥的。常见组合是：先用图解法或解析法确定区间，再用性质法快速计算某一段，最后用微积分性质整体验证。

4. 四个典型题型完整推导

4.1 基础题型：u(t)*u(t)=t·u(t)

这是所有含阶跃信号卷积题的母题。题目本身很简单，但推导过程可以完整展示解题套路。

设 f(t)=u(t)，h(t)=u(t)，则：

$$y(t)=u(t)*u(t)=\int_{-\infty}^{+\infty}u(\tau)u(t-\tau),d\tau$$

由 u(τ) 可知 τ≥0，由 u(t-τ) 可知 t-τ≥0，即 τ≤t。因此积分非零区间为 0≤τ≤t。

当 t<0 时，区间 0≤τ≤t 为空，y(t)=0。

当 t≥0 时：

$$y(t)=\int_0^t 1,d\tau=t$$

统一写成：

$$u(t)*u(t)=t,u(t)$$

这个结果的几何意义是两个因果阶跃重叠区域的长度。它也是一个非常重要的记忆点：阶跃函数与自身卷积得到斜坡函数。

进一步扩展，可以记住：

$$u(t)*u(t)*u(t)=\frac{t^2}{2}u(t)$$

这个结果可以通过 u(t)*u(t)=t·u(t)，再与 u(t) 卷积得到。这类“母题”结论在快速计算多层卷积时很节省时间。

4.2 指数信号与阶跃信号卷积

设 f(t)=e^{-at}u(t)，h(t)=u(t)，其中 a>0。计算卷积：

$$y(t)=\int_{-\infty}^{+\infty}e^{-a\tau}u(\tau)\cdot u(t-\tau),d\tau$$

由阶跃函数约束可得 0≤τ≤t。当 t<0 时，积分区间为空，y(t)=0。

当 t≥0 时：

$$y(t)=\int_0^t e^{-a\tau},d\tau=\left[-\frac{1}{a}e^{-a\tau}\right]_0^t=\frac{1}{a}(1-e^{-at})$$

所以：

$$e^{-at}u(t)*u(t)=\frac{1}{a}(1-e^{-at})u(t)$$

注意，这里最容易犯的错误是把积分结果漏乘 u(t)。如果忘记乘 u(t)，那么在 t<0 时结果非零，直接违背因果信号卷积仍为因果信号的规律。这个 u(t) 不是可有可无的尾巴，它是整个结果的一部分。

当 a=1 时，该结果退化为 (1-e^{-t})u(t)。这是一个在阶跃响应计算里反复出现的形式，建议直接记住。

4.3 两个矩形脉冲的卷积

矩形脉冲本质上就是两个阶跃信号的差。这里以 f(t)=u(t)-u(t-2)，h(t)=u(t)-u(t-1) 为例，计算 y(t)=f(t)*h(t)。

先看 f(τ)：在 0≤τ≤2 上为 1，其他为 0。再看 h(t-τ)：由 h(t-τ)=u(t-τ)-u(t-τ-1) 可知，当 t-1≤τ≤t 时，h(t-τ)=1，其他为 0。

因此卷积积分其实就是两个区间的交集长度：

$$\text{交集区间 }=,[0,2],\cap,[t-1,t]$$

由于 f(τ)h(t-τ) 在交集上恒为 1，卷积值就等于交集区间长度。

分区间讨论如下。

当 t<0 时，区间 [0,2] 与 [t-1,t] 无交集，y(t)=0。

当 0≤t<1 时，交集为 [0,t]，长度为 t，y(t)=t。

当 1≤t<2 时，交集为 [t-1,t]，长度为 1，y(t)=1。

当 2≤t<3 时，交集为 [t-1,2]，长度为 2-(t-1)=3-t，y(t)=3-t。

当 t≥3 时，无交集，y(t)=0。

统一写成带阶跃函数的形式：

$$y(t)=t[u(t)-u(t-1)]+1[u(t-1)-u(t-2)]+(3-t)[u(t-2)-u(t-3)]$$

这个波形是一个典型的“梯形”：0 到 1 线性上升，1 到 2 保持为 1，2 到 3 线性下降。如果两个矩形宽度相等，则得到三角形。这里的核心考察点不是积分运算，而是分段点 t=0、1、2、3 是否能全部找出。

4.4 冲激参与的卷积与分配律

冲激信号卷积几乎可以口算，但和阶跃信号组合在一起后，计算过程能考察分配律的熟练程度。

先看一个基础组合：设 f(t)=e^{-t}u(t)，h(t)=δ(t-2)+u(t)，求 y(t)=f(t)*h(t)。

利用分配律拆开：

$$y(t)=e^{-t}u(t)*\delta(t-2)+e^{-t}u(t)*u(t)$$

第一部分用冲激卷积性质：

$$e^{-t}u(t)*\delta(t-2)=e^{-(t-2)}u(t-2)$$

第二部分直接使用 4.2 节的结果，令 a=1：

$$e^{-t}u(t)*u(t)=(1-e^{-t})u(t)$$

因此：

$$y(t)=e^{-(t-2)}u(t-2)+(1-e^{-t})u(t)$$

这道题的关键是“看到冲激不慌张”。把 h(t) 拆开之后，两个卷积都可以快速完成。这也说明，分配律和冲激卷积性质结合在一起，能把一个表面复杂的组合题变成两个简单题的叠加。

5. 综合实战：矩形窗与指数信号的卷积

前面几道题分别用了图解法、解析法和性质法。现在看一道综合性更强的题目，完整走一遍“确定区间、分段积分、连续性检查、微积分验证”的流程。

题目：已知 f(t)=u(t)-u(t-2)，h(t)=e^{-t}u(t)，求 y(t)=f(t)*h(t)。

5.1 第一步：写出卷积积分表达式

$$y(t)=\int_{-\infty}^{+\infty}[u(\tau)-u(\tau-2)]\cdot e^{-(t-\tau)}u(t-\tau),d\tau$$

由 u(τ)-u(τ-2) 得知 f(τ) 只在 0≤τ≤2 上有值。由 u(t-τ) 得知必须有 τ≤t。两个条件合并，τ 的非零积分范围是：

$$0\le\tau\le\min(2,t)$$

5.2 第二步：按 t 分区间

因为 min(2,t) 在 t<2 与 t≥2 时取不同的值，所以题目天然分成三段区间。

区间一：t<0。此时 τ≤t<0 与 τ≥0 冲突，交集为空，y(t)=0。

区间二：0≤t<2。此时 min(2,t)=t，积分范围为 0≤τ≤t。

区间三：t≥2。此时 min(2,t)=2，积分范围为 0≤τ≤2。

5.3 第三步：分段积分

区间二，0≤t<2：

$$y(t)=\int_0^t e^{-(t-\tau)},d\tau=e^{-t}\int_0^t e^{\tau},d\tau=1-e^{-t}$$

区间三，t≥2：

$$y(t)=\int_0^2 e^{-(t-\tau)},d\tau=e^{-t}\int_0^2 e^{\tau},d\tau=e^{-t}(e^2-1)$$

将三部分合并为分段函数：

$$ y(t)=\begin{cases} 0, & t<0 \ 1-e^{-t}, & 0\le t<2 \ (e^2-1)e^{-t}, & t\ge 2 \end{cases} $$

5.4 第四步：连续性检查

卷积结果有一个很重要的性质：当参与卷积的信号中不含冲激函数时，卷积结果是连续的。这是一个免费的自检工具。

检查 t=2 处。左极限：

$$\lim_{t\to2^-}y(t)=1-e^{-2}$$

右极限：

$$\lim_{t\to2^+}y(t)=(e^2-1)e^{-2}=1-e^{-2}$$

两者相等，说明 y(t) 在 t=2 处连续。如果算出来的分段函数在分界点跳变，说明某一段积分上限或常数项一定有问题。

5.5 第五步：用微积分性质自检

对 f(t)=u(t)-u(t-2) 求导：

$$f'(t)=\delta(t)-\delta(t-2)$$

根据微积分性质：

$$y'(t)=f'(t)*h(t)=[\delta(t)-\delta(t-2)]*e^{-t}u(t)$$

利用冲激卷积性质：

$$y'(t)=e^{-t}u(t)-e^{-(t-2)}u(t-2)$$

再看刚才算出的 y(t) 分段求导：

当 0<t<2 时，y'(t)=e^{-t}。

当 t>2 时，y'(t)=-(e^2-1)e^{-t}。

而 e^{-t}u(t)-e^{-(t-2)}u(t-2) 在 0<t<2 时等于 e^{-t}，在 t>2 时等于：

$$e^{-t}-e^{-(t-2)}=e^{-t}(1-e^2)=-(e^2-1)e^{-t}$$

两边完全一致，验证通过。这套验证方法不需要重新积分，只需做求导和简单的冲激卷积，速度很快，非常适合在考场上对答案做最后检查。

6. 数值验证：用 Python 检查卷积结果

如果手算之后没有把握，可以用 Python 做一次数值卷积验证。这里不涉及框架，只需要安装三个常用的科学计算库。

6.1 环境准备

建议使用 Python 3.8 及以上版本，并提前安装依赖：

pip install numpy scipy matplotlib

如果是在服务器或无图形界面的环境运行，可以把 matplotlib 的画图部分改成保存图片，或者直接打印数值进行比较。下面两个示例都在脚本里直接画图，便于直观对比。

6.2 数值验证 u(t)*u(t)

用高密度采样近似连续信号，再用 scipy 的快速卷积函数计算数值解，并与理论结果 t·u(t) 做对比。

import numpy as np from scipy.signal import fftconvolve import matplotlib.pyplot as plt fs = 5000 t = np.linspace(-1, 3, int(4 * fs)) dt = t[1] - t[0] u = (t >= 0).astype(float) y_num = fftconvolve(u, u, mode='full') * dt t_y = np.linspace(2 * t[0], 2 * t[-1], len(y_num)) y_theory = t_y * (t_y >= 0) plt.figure(figsize=(10, 4)) plt.plot(t_y, y_num, label='数值卷积') plt.plot(t_y, y_theory, 'r--', label='理论结果 t*u(t)') plt.xlim(-0.5, 3) plt.ylim(-0.1, 3) plt.xlabel('t') plt.ylabel('y(t)') plt.legend() plt.grid(True) plt.title('u(t) * u(t) 数值验证') plt.show()

运行结果中，红色虚线是理论曲线，蓝色实线是数值卷积曲线。在 t 大于 0 且远离边界的位置，两条曲线基本重合。边界处会有轻微偏差，这是数值采样和截断效应造成的，提高采样率可以减小误差。

需要注意的是，采样率 fs 越高，结果越接近理论值，但计算量也会增加。用来验证手算结果时，fs=5000 通常已经足够。

6.3 数值验证综合题

下面验证第 5 节综合题的结果：f(t)=u(t)-u(t-2) 与 h(t)=e^{-t}u(t) 的卷积。

import numpy as np from scipy.signal import fftconvolve import matplotlib.pyplot as plt fs = 10000 t = np.linspace(-1, 5, int(6 * fs)) dt = t[1] - t[0] f = ((t >= 0) & (t < 2)).astype(float) h = np.exp(-t) * (t >= 0) y_num = fftconvolve(f, h, mode='full') * dt t_y = np.linspace(2 * t[0], 2 * t[-1], len(y_num)) y_theory = np.zeros_like(t_y) mask1 = (t_y >= 0) & (t_y < 2) mask2 = t_y >= 2 y_theory[mask1] = 1 - np.exp(-t_y[mask1]) y_theory[mask2] = (np.exp(2) - 1) * np.exp(-t_y[mask2]) mask_plot = (t_y >= -0.5) & (t_y <= 5) plt.figure(figsize=(10, 4)) plt.plot(t_y[mask_plot], y_num[mask_plot], label='数值卷积') plt.plot(t_y[mask_plot], y_theory[mask_plot], 'r--', label='理论结果') plt.xlabel('t') plt.ylabel('y(t)') plt.legend() plt.grid(True) plt.title('矩形窗与指数信号的卷积验证') plt.show()

预期结果是：在 0≤t<2 区间，曲线从 0 上升到 1-e^{-2}；在 t≥2 区间，曲线指数衰减到接近 0。两段在 t=2 处平滑连接，无跳变。

如果代码绘制的曲线与理论线明显分离，优先检查输入信号的阶跃部分是否写对。比如 f 的区间写成 t≤2 而不是 t<2，会在边界点多出一个采样点，虽然影响极小，但有时会让人误以为程序有 bug。实际工程中，连续信号在间断点取左闭右开区间是更稳妥的离散化方式。

7. 常见错误与排查思路

很多信号与系统题目的错误是可以提前预防的。下面是含阶跃信号卷积计算里最常出现的几类问题，以及对应的排查方向。

除了表格里的问题，还有两个高频认知误区需要特别说明。

第一个误区：认为卷积结果只需要记一个公式。实际上，卷积结果的“形状”取决于两个信号的重叠区间，公式只是工具，分段讨论才是核心。考场上宁可多花三十秒画一个简单的区间示意图，也不要直接硬套公式。

第二个误区：认为分段函数的分界点必须让每一段从零开始。分界点是由两个信号的相对位置决定的，不一定与信号的起点相同。矩形脉冲卷积里的分界点 0、1、2、3 就是从两个矩形的边沿位置推算出来的，不是随便取的。

8. 备考与计算的最佳实践

关于含阶跃信号的连续时间卷积计算，后半部分再补充几点工程和备考层面的建议。

第一，养成“先写区间后积分”的书写习惯。做题时，不要把积分式直接写成 ∫_0^t，而是先写出：

$$\int_{-\infty}^{+\infty}f(\tau)u(\tau),h(t-\tau)u(t-\tau),d\tau$$

再写“由阶跃函数可得……”，最后再写具体的上下限。这个习惯能有效防止跳步导致的区间错误。

第二，把常见卷积结果整理成一张速查卡。至少包含：u(t)*u(t)=t·u(t)，e^{-at}u(t)*u(t)=(1-e^{-at})/a·u(t)，f(t)*δ(t-T)=f(t-T)。考前浏览一遍，能在计算大题时节省不少时间。

第三，每道题算完后做两步验证。第一步检查因果性：如果输入都是因果信号，输出在 t<0 时必须为 0。第二步检查连续性：只要卷积信号中不含冲激，输出就连续。这两步加起来不到一分钟，却能挡住大部分低级错误。

第四，当手算结果让自己犹豫时，用 Python 数值卷积快速验证。这里的验证代码可以改造成一个通用模板，只需要修改 f 和 h 的定义，就能适用于大多数连续时间卷积题。

第五，后续学习不要停留在时域。学完拉普拉斯变换后，可以用复频域乘法重新计算这几道题，对比时域卷积和频域乘法得到的结果。这种“同一道题用两种方法做”的训练，对理解变换域分析非常有帮助。

9. 总结

含阶跃信号的连续时间卷积计算，表面上是一个积分问题，本质上是一个区间划分问题。只要抓住“阶跃信号为积分提供边界”这一点，解题流程就非常固定：写出带阶跃函数的积分式，用两个阶跃约束确定 τ 的取值范围，按 t 分区间积分，最后用微积分性质和连续性做双重验证。

这篇文章用四个典型题型和一道综合实战，把图解、解析、性质三种方法都走了一遍。从 u(t)*u(t) 的母题，到指数信号、矩形脉冲、冲激组合，再到矩形窗与指数信号的卷积，覆盖了含阶跃信号卷积最常见的出题角度。每一个分界点、每一次区间讨论，都是这类题真正的得分关键。

建议你把 4.1 到 4.4 的结论记牢，把第 5 节的综合题手算一遍，再用第 6 节的 Python 代码对比验证。收藏这篇文章，考前半天翻出来过一遍分段讨论的流程，比临时抱佛脚翻教材更有用。动手练上三五道题之后，你会发现：含阶跃信号的卷积，确实是最容易拿分的基础计算题。