脉冲压缩与匹配滤波：从雷达距离分辨率到工程实现的完整指南

1. 从雷达的两个“老大难”说起

搞雷达的朋友都知道，雷达系统设计里面有两个指标天天在打架：一个是作用距离，一个是距离分辨率。想看得远，就得加大发射功率、拉长脉冲宽度，让更多的能量打出去。可脉冲一旦拉宽，距离分辨率就下降，两个靠得近的目标就分不开了。这就像你站在操场上喊话，喊得越久、嗓门越大，传得越远，但你说的话每字拖得越长，别人就越听不清你说的是“三”还是“山”。

脉冲压缩技术，就是来解决这个矛盾的。它允许你发射一个大时宽带宽积的信号，既能把能量摊开保证探测距离，同时又能在接收端通过一个精巧的处理——匹配滤波——把回波信号“压”成一个很窄的尖峰，恢复出高距离分辨率。这篇文章就围绕脉冲压缩和匹配滤波器这两个核心点，把从原理到工程实现的东西一次讲透。适合刚开始接触雷达信号处理的在校学生、刚转行做雷达/通信信号处理的工程师，以及做电子侦察、通信感知一体化方向需要补这块基础的朋友。

2. 匹配滤波器：为什么它是最优的“听诊器”

2.1 信噪比最大化是怎么推导出来的

先说结论：在白噪声背景下，对于一个已知波形的雷达回波信号，匹配滤波器是输出信噪比最大的线性滤波器。这不是拍脑袋选的，是严格推导出来的。

假设发射信号是 s(t)，回波信号为 s_r(t) = A·s(t - τ) + n(t)，其中 n(t) 是零均值高斯白噪声，功率谱密度为 N₀/2。接收端用一个冲激响应为 h(t) 的线性滤波器，那么在 t₀ 时刻的输出信号分量为：

y_s(t₀) = ∫ s_r(u)·h(t₀ - u) du = A·∫ s(u - τ)·h(t₀ - u) du

输出噪声功率为：P_n = (N₀/2)·∫ |h(t)|² dt

信噪比定义为瞬时信号功率与噪声平均功率之比：

SNR = |y_s(t₀)|² / P_n

利用柯西-施瓦茨不等式，|∫ f·g|² ≤ (∫|f|²)·(∫|g|²)，当且仅当 f 和 g 共轭成正比时等号成立。对上面的式子做变量代换，令 f(u) = s(u - τ)，g(u) = h(t₀ - u)，解得输出信噪比最大时必须有：

h(t) = C·s*(t₀ - τ - t)

取 C = 1，t₀ = τ 时，就有：

h(t) = s*(-t)

也就是说，匹配滤波器的冲激响应是发射信号的时间翻转再取共轭。所以“匹配”二字的含义就在这里：滤波器的参考波形和发射信号是严格共轭匹配的。

这个推导要记住一个关键点：匹配滤波器的输出信噪比只取决于信号能量与噪声功率谱密度之比，与信号的具体波形无关。这意味着你可以随便设计波形去满足系统其他约束，而灵敏度这块由匹配滤波器兜底。这是后面所有波形设计的基石。

2.2 从“相关”的角度理解匹配滤波

学的时候有个坎容易卡住：匹配滤波器在时域卷积一个翻转信号，本质上是做了一次互相关运算。

把 h(t) = s*(-t) 代回卷积表达式：

y(t) = ∫ s_r(u)·h(t - u) du = ∫ s_r(u)·s*(u - t) du

这个式子就是回波信号 s_r 和发射信号 s 的互相关函数。它做的事情是：把发射信号不断平移，和回波信号逐点相乘累加，看哪个时刻对齐得最好。信号对齐的时刻，乘积累加值达到峰值，这个时刻就对应目标的时延。

这样理解工程意义就清晰很多：匹配滤波器相当于一个“模板匹配器”，它对已知信号形状的反应最强烈。就好比你在一堆嘈杂声音里面找一段你熟悉的旋律，你不会去一个频点一个频点地分析，而是直接拿这段旋律的完整模板去和声音流做比对——对齐的那一瞬间你是最确定的。

2.3 匹配滤波、脉冲压缩、模糊函数三者的关系

很多初学者把这三个词混在一起，其实关系很明确：

• 匹配滤波是一个广义的“最优接收处理”概念，适用于任意已知波形。
• 脉冲压缩是匹配滤波在雷达大时宽带宽积信号下的具体应用效果——输出被压窄。
• 模糊函数是描述发射波形经过匹配滤波后“二维响应”的工具，横轴是时延，纵轴是多普勒频率，它刻画了匹配滤波器在不同目标时延-多普勒下的输出响应。

换句话说：你设计一个波形，用模糊函数评估它的性能，接收端用匹配滤波器实现处理，观察到的“尖峰被压窄”效果就是脉冲压缩。三者是一条链上的事情。

搞懂了这条逻辑链，后面看任何雷达波形设计论文都不会再晕。模糊函数越接近“图钉型”，说明这个波形的时延-多普勒分辨率越好、模糊越少。线性调频信号（LFM）的模糊函数是斜刀刃型，它有明显的多普勒-时延耦合，这是它的固有特性，不是bug。

3. 线性调频信号与脉冲压缩的核心原理

3.1 从“口哨声”理解线性调频

线性调频信号（Linear Frequency Modulation，LFM）是工程上最常用的脉冲压缩信号，因为产生容易、对多普勒不敏感、技术成熟。它的瞬时频率随时间线性变化：

f(t) = f₀ + K·t，其中 K = B/T 为调频斜率

B 是信号带宽，T 是脉冲宽度。举个例子：一个脉冲宽度 100μs、带宽 10MHz 的LFM信号，频率在100μs内从 f₀ 线性扫到 f₀+10MHz。你把它变成声波听，就是一声由低到高的“鸟叫”——这就是“Chirp”信号名字的来历。

LFM信号的复数表达式为：

s(t) = rect(t/T)·exp(j·2π·(f₀·t + K·t²/2))

从匹配滤波的卷积过程看，LFM信号的不同频率分量先后到达接收机，匹配滤波器让它们“排队对齐”，然后同相叠加。在输出端所有频率分量在同一时刻达到相位一致，形成一个窄主瓣，能量就集中起来了。

3.2 脉冲压缩比：时宽带宽积的真实含义

压缩带来的好处用“压缩比”来量化，定义为输入脉冲宽度 T 与输出脉冲宽度 τ₀ 之比。经过匹配滤波后，输出主瓣宽度约为 1/B，所以：

D = T / τ₀ ≈ T·B

也就是：压缩比 = 时宽带宽积。

这是个非常漂亮的结论。10MHz带宽、100μs脉宽，压缩比就是 1000，意味着回波处理后的等效脉宽变成 0.1μs，距离分辨率从15公里变成15米。你看，发射能量是100μs脉冲的能量，够远；分辨率却是0.1μs脉冲的指标，够清。鱼和熊掌兼得。

这里补一句数学直觉：LFM信号的时宽带宽积 T·B 决定了它的“复杂度”。展开来看，匹配滤波的过程本质上是利用信号内部的相位结构把所有能量“聚焦”到一点。信号的 TB 积越大，内部可用的相位结构越丰富，聚焦能力越强，压缩比就越高。反之，一个简单的单频脉冲，TB=1，匹配滤波不产生任何压缩效果。

3.3 距离分辨率的精确表达式

教科书上的距离分辨率公式是：

ΔR = c/(2B)

其中 c 是光速，B 是信号带宽。这是通过主瓣宽度 1/B 乘上光速除2得到的（双程时延因素）。注意这个公式里没有脉冲宽度 T，只有带宽 B——脉冲压缩把决定分辨率的参数从“时域宽度”换成了“频域宽度”。

举几个直觉例子：

• B = 1MHz 时，ΔR = 150m
• B = 10MHz 时，ΔR = 15m
• B = 100MHz 时，ΔR = 1.5m
• B = 1GHz 时，ΔR = 0.15m

车载毫米波雷达通常用几百MHz到几GHz的带宽去获得厘米级分辨率；星载合成孔径雷达（SAR）用几十到几百MHz带宽实现米级到亚米级分辨率；气象雷达用0.5~2MHz带宽对云团做分辨，因为它们不需要那么细的距离分辨，要的是大范围体扫。

需要提醒的是，实际的“分辨率”还要考虑加窗带来的主瓣展宽（后面会细说）。加了汉明窗，主瓣宽度大约变成不加窗的1.5倍，实际距离分辨率要按 1.5·c/(2B) 来算。工程上把这个展宽系数叫“主瓣展宽因子”，做系统预算时千万别漏了它。

4. 旁瓣问题：为什么不能直接看匹配滤波的原始输出

4.1 近距离目标被“淹没”的现场

前面说匹配滤波输出“一个漂亮的窄尖峰”，但这个尖峰不孤单。LFM信号匹配滤波输出的幅度响应是：

|χ(τ)| = |T·sinc(πBτ)|

sinc函数的特点是有很多旁瓣。第一旁瓣相对主瓣只低约 13.26dB。这个数字意味着什么呢？如果一个强目标旁瓣掉进第二个目标的检测区间，弱目标就完全看不出来了。

举个例子：场景里有两个目标，一个在3公里处，RCS为10m²；另一个在3.05公里处，RCS为0.02m²，两者相差27dB。如果不做旁瓣抑制，强目标的旁瓣电平只比主瓣低13dB，弱目标的主瓣比强目标低27dB——强目标的旁瓣比弱目标的主瓣还高14dB。你去看匹配滤波输出，弱目标完全被压在强目标旁瓣底下，信号处理器只能看到一个“大山包”，找不到那个小目标。

这个问题在地面监视雷达、气象雷达、穿墙雷达里都特别明显。气象雷达看强降雨旁边的弱回波、交通雷达在小轿车旁边找摩托车，都靠旁瓣抑制来保住小目标的可见性。

4.2 窗函数加权的经典套路与代价

最常用的解决办法是在匹配滤波之前或频域处理中加窗函数，把频谱边缘的幅度“压下去”。加窗的本质是让信号的频谱幅度不再均匀，而是按窗的形状加权，这样匹配滤波输出的旁瓣就被压低。

工程上常用窗函数及效果对比如下：

加了窗以后旁瓣压下去了，但主瓣也变宽了，峰值幅度也下降了。主瓣展宽因子直接恶化距离分辨率，峰值下降则损失了一点灵敏度。这些代价统称“失配损耗”。所以加窗本质上是在旁瓣电平、分辨率、信噪比损失之间找一个平衡点。

我在实际项目中常用的做法是：先根据系统链路预算决定能容忍多少信噪比损失，再反推允许的窗函数类型。如果系统灵敏度余量有5dB，那可以选择压旁瓣狠一点的窗；如果余量只有1dB，那宁可旁瓣高一点也得保住探测概率，这时候用泰勒窗或余弦窗会更稳。

4.3 先匹配、后加权与先加权、后匹配

实现上还有一种处理顺序的问题。脉冲压缩分为匹配滤波和加窗两个环节，先做哪个？两种做法都会遇到：

• 先匹配、后加权：在时域（或频域）先完成匹配滤波，再对输出序列乘窗。这种做法旁瓣抑制效果受限于匹配输出的具体形状，实际效果不太好，工程上很少用。
• 频域加权匹配滤波器：也就是在频域设计滤波器时直接把窗函数乘进去，等效于设计一个“失配滤波器”，系数为 H(f) = W(f)·S*(f)·e^{j2πfτ}。这样一次FFT就同时完成匹配和加窗，效率高，工程最常用。

还有一种更高级的“最优失配滤波器设计”，用迭代算法设计滤波器系数，使输出旁瓣在指定区域内达到给定电平，代价函数里同时写进主瓣展宽和信噪比损失约束。工具上用凸优化或者MATLAB的firpm都能做。这种滤波器适合对抗极端动态范围的场景，比如目标回波动态范围超过80dB的场合，但不适合初学者起步，它需要仔细做约束设计。

5. 数字域实现：从理论到能跑的工程代码

5.1 脉冲压缩的三种实现路径比选

实际数字雷达里，脉冲压缩有三种实现方式，各有适用场合：

• 时域卷积：直接用卷积实现，适合点数小（比如码片数几百的相位编码信号）、实时性要求高的FPGA实现。因为它可以流水线处理，逐点出结果，延迟低。
• 频域相乘（FFT方法）：把回波和参考信号都做FFT，频域相乘，再IFFT。适合点数大（线性调频信号样本点数几千到几十万），效率远高于时域卷积。
• 频域加窗匹配滤波：在频域参考函数里直接乘窗，一次IFFT出结果，最快。

三种方案性能上略有差异，主要是因为FFT方法的循环卷积会带来“卷绕效应”（回波长度+参考长度-1大于FFT点数时，结果首尾混叠），工程上处理方法是加零填充或重叠保留法。

实际系统中，如果信号带宽几百MHz、采样率上GHz，数据率太高，通常先做数字下变频把数据降下来，再进行脉冲压缩。

5.2 频域脉冲压缩的完整公式链

频域脉冲压缩的数学过程如下：

1. 设发射信号为 s(t)，回波为 r(t) = s(t-τ)·e^{j2πf_d·t} + n(t)（这里 f_d 是多普勒频移，忽略包络变化）。
2. 分别做FFT：

R(f) = FFT[r(t)], S(f) = FFT[s(t)]

注意参考信号需要补零到一样长度，避免循环卷积混叠。

3. 构造匹配滤波传递函数：

H(f) = S*(f)·W(f)

其中 S*(f) 是 S(f) 的共轭，W(f) 是窗函数。

4. 频域相乘再IFFT：

y(t) = IFFT[R(f)·H(f)]

这样输出的峰值位置就对应目标的时延。

实际中要注意参考信号 S(f) 怎么取。工程上有“全距离参考”和“简化参考”两种。全距离参考就是用完整的发射波形做FFT；简化参考则是用基带形式、忽略载频和多普勒的波形，等效于不考虑距离走动。对于窄带雷达，简化参考足够；对于宽带雷达（带宽/载频>10%），要考虑波形色散，需要用更精确的参考生成方式。

5.3 Python实现一个完整的脉冲压缩仿真

这里放一份可以直接跑的Python代码，演示从产生LFM信号到匹配滤波、加窗、测距的完整流程。工具用numpy和matplotlib。

import numpy as np import matplotlib.pyplot as plt # 基本参数 c = 3e8 # 光速 fc = 10e9 # 载频 10GHz B = 50e6 # 带宽 50MHz T = 20e-6 # 脉冲宽度 20us fs = 100e6 # 采样率 100MHz N = int(T * fs) # 脉冲内采样点数 t = np.arange(N) / fs - T/2 # 目标参数：两个目标 # 目标1：距离 10.000 km，RCS较大 # 目标2：距离 10.150 km，RCS较小（相差26dB） R1 = 10000.0 R2 = 10150.0 amp1 = 1.0 amp2 = 0.05 # 约 -26dB delay1 = 2 * R1 / c delay2 = 2 * R2 / c # 产生LFM基带信号 lfm = np.exp(1j * np.pi * (B / T) * t**2) # 产生回波（基带模拟，忽略载频和传播衰减） # 回波长度扩展，包含两个目标后的完整时间窗 total_len = int((2 * (R2 + 500) / c) * fs) + N rx = np.zeros(total_len, dtype=complex) # 转成采样点索引 idx1 = int(np.round(delay1 * fs)) idx2 = int(np.round(delay2 * fs)) rx[idx1:idx1+N] += amp1 * lfm rx[idx2:idx2+N] += amp2 * lfm # 加上噪声 np.random.seed(42) noise_power = 0.001 rx += np.sqrt(noise_power/2) * (np.random.randn(total_len) + 1j*np.random.randn(total_len)) # 频域脉冲压缩 # 参考信号补零到回波长度 ref = np.zeros(total_len, dtype=complex) ref[:N] = lfm S = np.fft.fft(ref) R = np.fft.fft(rx) # 不加窗匹配滤波 H_none = np.conj(S) y_none = np.fft.ifft(R * H_none) # 加汉明窗匹配滤波 window = np.hamming(N) ref_w = np.zeros(total_len, dtype=complex) ref_w[:N] = lfm * window S_w = np.fft.fft(ref_w) H_ham = np.conj(S_w) y_ham = np.fft.ifft(R * H_ham) # 绘制幅度谱 time_axis = np.arange(total_len) / fs * c / 2 # 换算成距离(单程) dist_axis = time_axis # 横轴用距离 plt.figure(figsize=(12, 6)) plt.subplot(2,1,1) plt.plot(dist_axis, 20*np.log10(np.abs(y_none)/np.max(np.abs(y_none)) + 1e-12)) plt.title('Matched Filter Output - No Window') plt.xlabel('Range (m)') plt.ylabel('Normalized Amplitude (dB)') plt.xlim([9000, 11000]) plt.grid(True) plt.subplot(2,1,2) plt.plot(dist_axis, 20*np.log10(np.abs(y_ham)/np.max(np.abs(y_ham)) + 1e-12)) plt.title('Matched Filter Output - Hamming Window') plt.xlabel('Range (m)') plt.ylabel('Normalized Amplitude (dB)') plt.xlim([9000, 11000]) plt.grid(True) plt.tight_layout() plt.show() # 打印结果：找到峰值位置 peak1_none = np.argmax(np.abs(y_none)) / fs * c / 2 print(f'No window: peak1 range = {peak1_none:.2f} m') # 在目标2附近区间找峰值 region2_none_start = int((R2 - 2) / (c/2) * fs) region2_none_end = int((R2 + 2) / (c/2) * fs) peak2_none = (region2_none_start + np.argmax(np.abs(y_none[region2_none_start:region2_none_end]))) / fs * c / 2 print(f'No window: peak2 range = {peak2_none:.2f} m')

这段代码跑出来的结果，你会直观地看到：不加窗时，目标2的峰值完全淹没在目标1的旁瓣里，肉眼看不到第二个目标。加汉明窗后，两个目标都能被找到。这比任何文字描述都更有说服力。

5.4 采样率、FFT点数与补零的细节处理

做频域脉冲压缩时有几个细节直接影响结果正确性：

• 采样率必须满足奈奎斯特条件，即 fs ≥ 2·B。实际工程中为了留裕量，一般取 fs ≥ 2.4~4倍带宽。带宽50MHz的信号，采样率至少100MHz，我习惯做到 200MHz 以上，这样脉压后旁瓣更平稳。
• FFT点数要大于等于回波点数加参考信号点数减一，避免循环卷积混叠。如果直接用 FFT 长度=回波长度，参考信号也补零到同样长度，卷积的循环混叠会体现在回波首尾两端。对“距离窗内目标位于中部”的场景影响不大；若目标可能出现在距离窗边缘，要用重叠保留法或把FFT长度取大。
• 补零不能提高分辨率，只是对频谱做插值。有人误以为做更多点数的FFT就能提升距离分辨率——这是错的。分辨率由信号带宽决定，FFT点数只影响“显示精度”。就好比你用放大镜看一张像素固定的图片，放大倍数再高也看不到更多细节。
• 频率轴归一化：频域相乘时确保参考信号S(f)和回波R(f)使用相同的采样率、相同的FFT点数，否则相位对不上，脉压结果直接错掉。

6. 工程实战中的几个高频坑点

6.1 多普勒频移对匹配滤波的影响：LFM的“距离-多普勒耦合”

LFM信号对多普勒频移不像相位编码信号那么敏感，但多普勒会改变它的匹配滤波输出峰值位置，产生一个额外的时延偏差：

Δτ = -f_d / K

其中 K 是调频斜率。这个公式说明：目标有径向速度时，脉冲压缩出来的峰值位置会产生偏移，偏移量和多普勒频率成正比、和调频斜率成反比。一个正在靠近雷达的目标会显示得比实际距离更近一点（具体方向和调频方向有关，上扫频和下扫频结果相反）。

工程中利用这个特性做“正扫频+负扫频”双通道处理，可以同时测距和测速：两个通道脉压峰值的相对偏移就是多普勒信息。缺点是如果目标速度不确定，距离测量有模糊。这也是为什么现代雷达更多用三角波调制或者步进频连续波去解耦。

处理建议：窄带雷达如果目标速度不高（比如几百米/秒以下），这个偏差可能在距离分辨单元内，影响不大；宽带雷达或高速目标就得做补偿。

6.2 I/Q通道不平衡导致的镜像旁瓣

数字雷达接收机一般用正交采样（I/Q双通道）去保留信号的相位信息。如果I通道和Q通道存在幅度不一致（比如增益差0.5dB）或者相位不正交（比如不是严格的90°），匹配滤波输出会在真实目标镜像位置（-τ位置或对应的负频率位置）产生一个伪峰，严重时看上去像一个假目标。

现场排查时如果发现脉压输出出现对称的“鬼影”，先检查I/Q通道的幅度和相位一致性。校准办法有多种：注入一个单频信号看I/Q幅度差和相位差；或者用数字域做正交校正。很多数字中频方案干脆只用单通道实采样加希尔伯特变换构造解析信号，从源头避免I/Q不平衡。

6.3 距离窗内“越界”目标拖尾

频域脉压的最大处理距离受限于脉冲重复周期（PRI）。如果目标距离远到回波落入下一个发射周期，就会出现距离模糊。更烦的是，目标回波如果在采集窗的边缘，FFT循环卷积会把它的脉压响应“卷绕”到窗口另一侧，看起来像一个虚假目标。

处理方法：

• 加宽采集窗，让目标回波完整落在窗内；
• 用重叠保留法做快速卷积，实现真正的线性卷积；
• 在多脉冲积累后，通过目标跨脉冲移动特征区分真假。

6.4 快速时变目标与失配

前面讲的匹配滤波推导假设目标回波波形和发射波形严格一样。如果目标高速运动使回波产生显著的时间伸缩（宽带信号高超声速目标场景），或者目标存在微动调制，回波与参考信号不再“匹配”，脉压增益会下降、主瓣会展宽。这时候就要做运动补偿，或在参考信号设计中使用多通道多普勒滤波器组去覆盖可能的多普勒范围。这个属于更进阶的话题，雷达目标特性方向的朋友迟早会遇到。

7. 基于个人实测的参数选择参考清单

做脉压参数设计时，我习惯按下面的顺序过一遍，直接抄作业也能用：

1. 由距离分辨率需求反推带宽：B ≥ c/(2ΔR)，再留10%~20%余量。
2. 由探测距离和链路预算反推脉冲宽度T：用雷达方程算单个脉冲需要的信噪比，T不够就相干积累。
3. 计算压缩比D = T·B，确认落在工程可实现范围。压缩比几百到几千都是常见的；上万的压缩比通常要求极高的时频线性度，对发射机相位噪声和调制线性度要求很严。
4. 根据动态范围需求选窗函数。如果强目标与弱目标回波差超过50dB，至少选海明或泰勒窗；若只有20dB动态范围，矩形窗或轻加权就够。
5. 采样率取 fs ≥ (2~4)B，最好按硬件时钟可整除的值选。
6. FFT点数按回波窗长度+参考长度-1取2的幂次，方便FFT硬件实现。
7. 仿真验证时一定要加噪声、加干扰、加I/Q不平衡，别在理想条件下测完就上板子。

这套流程我跑过好几个项目，从气象雷达到车载毫米波雷达，通用的。

8. 和相位编码信号脉冲压缩的横向对比

讨论脉冲压缩不能只看LFM，相位编码信号也是重要分支。巴克码、m序列、Costas序列等编码信号的匹配滤波输出旁瓣水平和多普勒敏感性各有特点。

相位编码信号的优点是旁瓣可以通过码型设计做得很好，但缺点是普遍对多普勒敏感——目标一运动，脉压性能迅速恶化。LFM则相反，多普勒容忍性好，但模糊函数有斜刀刃型耦合。因此实际雷达系统里，运动目标检测多用LFM或步进频，静止目标高分辨率成像场景才会考虑相位编码。

我之前做过一个穿墙雷达项目，就是LFM和m序列交替发射：搜索模式用LFM快速建图，确认模式用m序列精确定位静止目标，效果比单一波形好不少。

9. 脉压系统的几个进阶扩展方向

原理吃透了，后续可以往这几个方向延伸：

第一个是同时多波束脉压。数字阵列雷达里每个通道都要做脉压，如果通道数几百个，每个脉冲重复周期都要做几百次大点数FFT，计算量很大。工程上会把脉压放到GPU或者多核DSP上并行处理，这时候优化的重点就成了如何让FFT的访存连续、如何共享参考信号的频谱数据、如何把多通道脉压打包批量做。

第二个是自适应脉压（Adaptive Pulse Compression）。传统匹配滤波是固定的，自适应脉压根据回波的统计特性在线调整滤波器系数，能进一步压低旁瓣并提升弱目标检测能力，代价是计算量成倍增加。这套技术在强杂波环境下的目标检测里逐渐受到关注。

第三个是稀疏感知与脉压的结合。雷达回波在距离-多普勒域是稀疏的，用压缩感知方法可以从欠采样的数据里直接恢复出脉压后的目标信息，降低ADC采样率和数据率。虽然离大规模装备还有距离，但学术圈和预研项目里已经很热了。

第四个是感知-通信一体化里的脉压复用。通信波形也要做信道估计，雷达波形要做目标检测，一体化设计里两个功能共享发射信号和接收处理链路，匹配滤波结构本身就可以复用到两套系统，这也是6G通感一体化方向的核心问题之一。

10. 一个完整的距离-多普勒处理链路示例

把脉压放到完整雷达处理链路里看，才能理解它在系统中的位置。典型的脉冲多普勒雷达处理流程如下：

1. 发射LFM脉冲串，接收回波并数字化。
2. 距离维脉压：每个脉冲的回波做匹配滤波（或频域加窗匹配），得到“距离-脉冲”二维数据。
3. 慢时间维FFT（多普勒处理）：相同距离单元上跨脉冲做FFT，得到“距离-多普勒”二维图。
4. 恒虚警检测（CFAR）：在距离-多普勒图上做二维CFAR检测，提取目标。
5. 参数估计与跟踪：距离、速度、角度等进一步精估计。

脉压的好坏直接影响第2步的输出质量，而它在计算资源里往往占大头。以每脉冲4096点为例，一次脉压做4096点FFT+IFFT，如果PRF=2kHz，每秒就是2000次，这还不算窗函数频谱的预计算和多普勒处理。所以在实时系统里优化脉压运算，比优化后续任何一步的收益都大。

有关CFAR检测，我之前专门整理过一篇二维CFAR的实现细节：一个是参考窗和保护窗的尺寸怎么定，一个是均匀杂波和非均匀杂波下CA-CFAR和OS-CFAR怎么选。脉压输出质量差，CFAR设计做得再好也白搭，所以脉压才配得上“前端处理的核心”这个称呼。

11. 最后再分享两个我在现场调试中的“土办法”

脉压处理做多了，有些问题光靠仿真发现不了，在真实系统里一跑就露馅。这里分享两个我常用的排查土办法。

第一个是“零距离校准法”。在系统联调时，把发射信号通过衰减器直接注入接收机，人为制造一个“零距离”回波。这样脉压出来的峰值位置就是系统的固定时延参考。现场如果发现目标距离测量值整体偏大或偏小几十米，大概率是系统延迟没校准到位。用这个方法一遍遍标定，能把系统延迟测到亚采样周期级别。

第二个是“单目标监测法”。刚开始调试脉压模块时，用一个大RCS的角反射器放在已知距离上，对着空旷区域测。如果脉压输出出现双峰或者异常旁瓣，多半问题不在算法本身，而在前面的接收链路——比如某级放大器饱和、I/Q不平衡、ADC非线性。先排查接收机再回头怀疑算法，这条原则能省很多时间。

我见过不少刚入行的朋友遇到脉压结果不对，先把匹配滤波代码翻来覆去调，结果问题出在参考信号没和发射信号严格同步——相位噪声、时钟漂移这些模拟域的坑，在数字域里怎么改都救不回来。所以在做脉压算法之前，先把射频前端和数字采样调理好，比什么都重要。

12. 关于工程实现的一个心得

最后说点个人的感受。脉冲压缩这个技术看起来只是一个匹配滤波公式，但它把雷达系统设计里的发射波形设计、接收机架构、数字信号处理、检测前处理全都串起来了。我见过太多人一开始只盯着压缩比、分辨率这些指标，忽略了失配损耗、多普勒容忍度、I/Q不平衡这些工程细节，最后做出来的系统在原理上完美、在现场跑不通。

真正把脉冲压缩用明白的标志，不是能推导出匹配滤波公式，而是当你看到一块脉压后的距离像时，能快速判断出旁瓣是什么原因抬高的、主瓣为什么不对称、镜像目标到底来自身还是来自信道。这些判断能力只能靠在真实系统上不断试错获得。希望这篇文章能帮你少走一些弯路。