MATLAB语音信号处理：FIR与IIR滤波器设计与对比解析

1. 项目到底在做什么：一次把语音滤波讲明白

先说结论：这个项目本质上是一个"语音信号处理 + 数字滤波器设计"的经典综合实验，要求用MATLAB完成两类数字滤波器——FIR（有限冲激响应）和IIR（无限冲激响应）——的设计、仿真、性能对比，并把整个过程写成一份规范的实验报告。很多人在课程里第一次接触到它，但是直到真正动手做，才发现"会用fir1和butter"和"能讲清楚为什么这么设计"之间隔着一大段认知差距。

语音信号是最直观、最容易理解滤波器作用的载体。你录一句"你好"，里面既有低频的浊音基频，也有高频的清音摩擦成分，中间还夹杂着环境噪声。滤波器做的事情，就是把某一频段之外的分量砍掉或者压下去。比如你只需要200Hz到3400Hz这一段人声主要能量区，那其他频段的噪声就是你要处理的对象。用数字滤波器做这件事，比模拟滤波器最大优势是精度和可重复性——同样的代码，任何人、任何机器跑出来结果完全一致，这在课程验收、工程复现里都非常友好。

再说说为什么必须同时做FIR和IIR两种。这不是为了凑工作量，而是因为两种滤波器在工程上是互补的。IIR滤波器能用很低的阶数实现陡峭的过渡带，计算量小，但相位是非线性的，语音通过它之后波形会"变形"；FIR滤波器恰恰相反，可以做到严格的线性相位，让信号各频率成分的延迟保持一致，但代价是阶数高、计算量大。一个语音处理项目里，你会在需要保波形的地方优先考虑FIR，在资源受限或者只关心幅度谱的场合用IIR。这个项目就是逼你在实际场景里把这两种方案的优劣亲手验证一遍。

适合做这个项目的人，主要是三类：电子信息、通信、自动化相关专业的本科生，正在做数字信号处理课程设计；准备考研复试或者秋招面试，想拿一个能讲出细节的项目充实简历的同学；以及刚开始接触语音信号处理，想知道滤波器在真实语音上到底怎么工作的自学者。如果你只是把filter函数跑通就认为自己完成了，那这篇内容就是给你补上"为什么"和"怎么排查"的短板。

2. 设计前的关键决策：指标、方案、工具链

2.1 技术指标怎么定：别上来就调参

很多人拿到题目就打开MATLAB，先写出butter，再写fir1，跑通了就完事。这样做的最大问题是，你没有任何"设计目标"，最后写报告时说不清楚为什么选这个阶数、为什么定这个截止频率。正确的做法是先定指标，再选方案，最后才是写代码。

滤波器的技术指标，核心就这几项：

举个例子，如果你的语音采样率是8000Hz（电话音质的常见设定），奈奎斯特频率就是4000Hz。人声的主要能量集中在300Hz到3400Hz之间，所以你可以设计一个带通滤波器，通带为300Hz到3400Hz，阻带边界设为250Hz和3450Hz，阻带衰减40dB以上。这套指标一出来，后面的设计过程完全是按图索骥，而不是瞎试。

这里要特别提醒一个初学者容易犯的错：通带边界频率的单位是Hz，但MATLAB里butter和fir1要求的是归一化频率。归一化的算法是频率 / (fs/2)，也就是用频率除以奈奎斯特频率。比如8000Hz采样率下，通带上边界3400Hz对应归一化频率0.85，下边界300Hz对应0.075。这个换算一旦出错，滤波器的工作频段就会跟你的预期完全对不上。

2.2 FIR和IIR分别什么时候用：一张表说清楚

选择FIR还是IIR，本质上是在"线性相位、稳定性和计算复杂度"这三者之间做权衡。我习惯用下面这张表帮自己快速决策：

在语音信号处理这个场景下，我的经验是：如果这个滤波器的输出是给人听的，或者后面还要做进一步的分析特征提取，那么FIR的线性相位优势非常明显；如果只是做一个简单的降噪前处理，人耳对相位变化并不敏感，IIR的低阶高效优势就体现出来了。课程设计里通常要求两种都做，目的就是让你把这两种感觉都亲手摸一遍。

2.3 MATLAB工具的选型思路

MATLAB做滤波器设计，有几条路可以走，很多人不知道它们各自的适用场景。

如果手工编写程序，核心函数就是butter、cheby1、cheby2、ellip（这组是IIR）和fir1、fir2、firls、firpm（这组是FIR）。我的建议是，课程报告里至少手工代码要写一部分，因为代码能直接展示你的设计思路，比如窗函数法里窗型的选择、阶数公式的推导。

如果做快速验证，可以用fdatool（早版本）或filterDesigner（新版本）图形化工具。它可以把设计好的滤波器系数导出成MATLAB变量甚至C语言头文件，方便你在代码里直接调用。很多同学在报告里贴几张工具截图，再写一段调用代码，效果其实很不错。不过要注意，纯工具截图而没有任何手工代码展示，评委老师可能会觉得你没有真正掌握底层原理。

还可以尝试Python的scipy.signal作为辅助验证手段，scipy.signal.butter和firwin的函数签名跟MATLAB很接近，做完MATLAB版本之后再用Python交叉验证频率响应曲线，能在报告里增加一个"跨语言验证"的亮点。

3. 完整实现：从语音读取到滤波对比

3.1 语音信号的读取与预处理

先准备好语音素材。你可以用手机录音，也可以用MATLAB自带的示例音频。我建议自录一段，内容选"欢迎来到数字信号处理的世界"这类包含丰富音节变化的句子，时长2到3秒即可。这样滤波前后的差异体验更真实，报告里写起来也更有说服力。

读取语音并做基础分析的核心代码如下：

% 读取语音文件 [signal, fs] = audioread('speech.wav'); signal = signal(:, 1); % 如果是双声道，取一个声道 signal = signal / max(abs(signal)); % 幅度归一化，避免后续处理溢出 % 播放原始语音 sound(signal, fs); % 查看基本信息 disp(['采样率: ', num2str(fs), ' Hz']); disp(['采样点数: ', num2str(length(signal))]); % 绘制时域波形 t = (0:length(signal)-1) / fs; figure; subplot(2,1,1); plot(t, signal); xlabel('时间/s'); ylabel('幅度'); title('原始语音时域波形');

这里有个细节：audioread读出来的数据如果是双声道，直接拿去滤波虽然能跑，但分析频率特征时会混淆。取单声道是一个很小的步骤，却能避免很多后续的困惑。

接下来做频域分析。语音信号是非平稳的，但当你看整体频谱时，还是能大致看到能量集中的频段。用FFT做频谱分析：

% 频谱分析 N = length(signal); f = (0:N-1) * fs / N; spectrum = abs(fft(signal)); figure; subplot(2,1,2); plot(f(1:N/2), spectrum(1:N/2)); xlabel('频率/Hz'); ylabel('幅度'); title('原始语音频谱'); xlim([0 fs/2]);

跑完这段代码，你会看到频谱在低频段能量明显集中，中高频逐渐衰减，中间某几个地方可能有环境噪声的尖峰。这些观察结果就是后面写报告时"设计需求分析"的素材。

3.2 IIR滤波器设计：巴特沃斯的经典路线

IIR设计我优先推荐巴特沃斯滤波器，因为它在通带内是最平坦的，对初学者来说最友好，不容易出现令人困惑的纹波。切比雪夫I型有通带纹波，椭圆滤波器过渡带最陡但通带阻带都有纹波，这些是后面优化时再考虑的事。

假设我们要设计一个高通滤波器，把300Hz以下的低频环境噪声滤除，采样率8000Hz。这里的思路是：噪声通常在低频，语音有用信号集中在中高频，高通就能把工频干扰、低频隆隆声切掉。

% 高通IIR滤波器设计参数 fp = 300; % 通带边界频率 300Hz fs_stop = 200; % 阻带边界频率 200Hz Rp = 1; % 通带最大衰减 1dB As = 40; % 阻带最小衰减 40dB % 归一化频率 Wp = fp / (fs/2); % 通带归一化频率 Ws = fs_stop / (fs/2); % 阻带归一化频率 % 计算最小阶数（核心！） [n, Wn] = buttord(Wp, Ws, Rp, As); disp(['巴特沃斯最小阶数: ', num2str(n)]); % 设计滤波器 [b, a] = butter(n, Wn, 'high'); % 查看频率响应 figure; freqz(b, a, 512, fs); title('IIR高通滤波器频率响应'); % 滤波 signal_filtered_iir = filter(b, a, signal); % 播放滤波结果 sound(signal_filtered_iir, fs);

buttord计算阶数这一步，很多同学的代码里直接写死butter(5, 0.1, 'high')。我强烈建议不要这么做，因为你跳过了"指标到阶数"的映射过程。buttord算出来的阶数背后是巴特沃斯逼近的数学公式，报告里如果能写出这个公式，并且说明代入指标后如何得到阶数，整个项目的专业度立刻上一个档次。

巴特沃斯阶数估计公式（这是个近似公式，但工程上完全够用）：

n ≥ log10( sqrt(10^(0.1As) - 1) / sqrt(10^(0.1Rp) - 1) ) / log10( Wp / Ws )

拿上面的参数代入，算出来n约等于某个值，MATLAB会向上取整。你可以在报告里写清楚这个计算过程，然后把buttord的输出作为验证。

这里还有一个坑：butter函数设计高通滤波器时，如果输入Wn是多元素的向量，就表示带通或者带阻；单元素加'high'参数才是高通。很多人把butter(n, 0.075, 'high')写成butter(n, 0.075)，结果滤波器变成了低通，滤波结果听起来声音发闷，频谱分析也会发现高频被砍了。这种错误在代码上很难看出来，必须结合频率响应曲线才能发现。

3.3 FIR滤波器设计：窗函数法实操

FIR设计我推荐从窗函数法入手。窗函数法的核心思想是：理想低通/高通/带通滤波器需要无限长的冲激响应，实际实现中只能截取有限长度，截取的过程就是加窗。不同的窗型（矩形窗、汉宁窗、海明窗、布莱克曼窗）在过渡带宽度和阻带衰减之间做权衡。

窗型选择有个经验法则：

M是滤波器阶数（长度为M+1）。比如你要40dB的阻带衰减，海明窗就能满足，而且它的过渡带比布莱克曼窗窄，计算量更小，所以海明窗在很多场合是FIR设计的首选。

设计一个与前面IIR对应的FIR高通滤波器：

% FIR高通滤波器设计（海明窗） fp = 300; fs_stop = 200; ws = fs_stop / (fs/2); % 阻带边界归一化频率 wp = fp / (fs/2); % 通带边界归一化频率 % 计算所需阶数的经验公式 % 对于海明窗，过渡带宽度近似为 3.3*pi/M delta_w = (wp - ws); % 归一化过渡带宽度 M = ceil(3.3 / delta_w); % 估算阶数 disp(['海明窗估算阶数 M = ', num2str(M)]); % 设计滤波器 fir_coeff = fir1(M, wp, 'high', hamming(M+1)); % 频率响应 figure; freqz(fir_coeff, 1, 512, fs); title('FIR高通滤波器频率响应（海明窗）'); % 滤波 signal_filtered_fir = filter(fir_coeff, 1, signal); sound(signal_filtered_fir, fs);

这里要注意一个问题：fir1的截止频率参数严格来说既不是通带边界也不是阻带边界，而是两者的中间值。也就是Wn = (wp + ws) / 2。很多资料上直接写fir1(M, wp, 'high')，严格来说不精确。正确写法是把边界频率设置在过渡带的中心位置。你可以试试把wp改成(wp+ws)/2，然后对比两款滤波器的频率响应，会发现后者在通带和阻带边界的指标分配更均衡。

滤波器的阶数M怎么确定也值得展开。窗函数法里，M越大，过渡带越窄，但计算量和延迟也越大。经验公式是通过"过渡带宽度 = 窗函数主瓣宽度"推导出来的。以海明窗为例，主瓣宽度约为8π/M（在离散时间域以弧度为单位），由此反推M。这个推导过程完全可以写进报告，比单纯写"我试了几个阶数觉得效果不错"要有说服力得多。

3.4 滤波效果对比：主观看和客观算

做完滤波，不能只看波形就说"有效果"。我建议用三条途径来对比FIR和IIR的实际效果。

第一条，时域波形对比。把原始信号、FIR输出、IIR输出画在同一个坐标系里（或上下并列），重点看起始阶段波形是否有畸变，振幅是否有明显变化。IIR滤波器因为相位非线性，你可能会看到波形跟原始信号"对不齐"的现象，尤其在高频分量较多的地方更为明显。

第二条，频域对比。分别对滤波前后的信号做FFT，对比频谱包络。噪声频段如果被压制到40dB以下，那就说明指标达标。

第三条，客观指标量化。计算滤波前后的信噪比改善量、均方误差等。一个简单有效的方法是：在安静环境下录一段语音，再在语音里人为叠加白噪声或特定频段的窄带噪声（比如220Hz到250Hz的哼声），然后分别用FIR和IIR滤波，计算滤波后信号与干净语音之间的均方误差：

% 人为加噪 noise = 0.1 * randn(size(signal)); signal_noisy = signal + noise; % 分别滤波 y_fir = filter(fir_coeff, 1, signal_noisy); y_iir = filter(b, a, signal_noisy); % 计算输出与干净语音的均方误差 mse_fir = mean((y_fir - signal).^2); mse_iir = mean((y_iir - signal).^2); snr_fir = 10 * log10(sum(signal.^2) / sum((y_fir - signal).^2)); snr_iir = 10 * log10(sum(signal.^2) / sum((y_iir - signal).^2)); disp(['FIR滤波后MSE = ', num2str(mse_fir), ', SNR = ', num2str(snr_fir), ' dB']); disp(['IIR滤波后MSE = ', num2str(mse_iir), ', SNR = ', num2str(snr_iir), ' dB']);

我实测下来，在这个场景下通常IIR因为阶数低、过渡带更陡，对窄带噪声的抑制效果反而略好；但相位失真会导致MSE偏大。这个看似矛盾的结果，恰恰是报告里最值得写的亮点——它说明了"滤波器效果好"并不等于"滤波后信号保真度高"，具体选择取决于应用目标。我建议你在报告中把这个对比做成一张表：

这种表格放在报告的结果分析部分，能让评委一眼看出你做了完整的量化评估，而不是"看起来不错"的主观结论。

4. 报告怎么写才不拉胯

4.1 报告的结构与各章节要点

很多同学滤波器设计做得不错，但报告写成了流水账：先抄一段课本原理，再贴几段代码，最后说一句"结果符合要求"。这样的报告信息量太低。我建议按下面的结构来组织：

摘要部分写清楚你做了什么、用了什么方法、达到了什么指标。比如"设计了一个8阶巴特沃斯高通滤波器和一个127阶海明窗FIR高通滤波器，对8000Hz采样率的语音信号进行高通滤波，阻带衰减均达到40dB以上，并对比了两种滤波器在时域波形保真度、频域特性和计算效率上的差异"——这一句话就把项目全貌说清楚了。

原理部分不要照抄课本。你要做的是"针对本项目的原理"：语音信号的频谱特点、高通滤波器在本项目中的作用、FIR线性相位特性的数学表达、IIR低阶高效特性的原理基础。如果你能画一个信号流程图来说明处理链路：语音输入—加噪—FIR滤波/IIR滤波—对比分析，这个部分就非常完整了。

设计部分要写清楚三件事：技术指标是怎么定的（给出推导过程）、滤波器阶数是怎么算的（给出公式和代入数据）、为什么选择这种窗型或逼近方式。这三件事每件写200字，内容立刻就充实了。

结果部分除了波形图和频谱图，更要写"结论"。比如FIR滤波后波形畸变小，但阶数达到了127阶，计算时间约多少毫秒；IIR滤波后阶数只有8阶，计算量小一个数量级，但高频细节略有损失。这种对比结论是报告的核心价值。

4.2 图表展示的技巧

MATLAB的图形窗口要有意识地调整后再截图放进报告，直接截图默认样式往往不够专业。我建议把线条加粗到1.5到2磅，坐标轴字号至少10到12，加上网格线，把图例放到合适位置。频率响应图推荐用freqz输出后加一句grid on，曲线会更清晰。

还有一个很实用的小技巧：把两条滤波器的频率响应曲线画在同一张图上对比，用不同颜色和线型区分，并且把通带和阻带的边界线用垂直虚线标出来。这样一张图就能直观展示两种滤波器在过渡带陡峭程度上的差异，比放两张孤立的图效果好得多。

如果报告的篇幅允许，还可以放一个滤波前后的语音语谱图。用spectrogram函数就可以生成，它能展示语音在时频两个维度上的能量分布。滤波前后语谱图的对比，能直观看到高频噪声的压制效果。语谱图对于非信号处理专业的读者也很有冲击力，放在报告里是个加分项。

5. 踩坑实录：常见问题与调试经验

5.1 常见问题速查表

我把自己做这个项目以及其他同学踩过的高频问题整理成了下表，每一个都是我亲眼见过或者亲手调过的：

这几个问题里，最隐蔽的是第一个。因为代码不报错，滤波结果也不完全白噪，只是声音"闷"了一点。你会以为是滤波器参数不合适，不断调整截止频率，但始终调不好，最后才发现是butter忘加'high'参数，设计出来的是个低通。所以做完滤波后第一件事是画出频率响应曲线看一眼，别急着听效果。曲线能告诉你一切。

5.2 几个容易忽略但很重要的细节

关于filter与filtfilt的选择，我想多说两句。标准filter函数是因果滤波，结果会有相位延迟和瞬态效应。filtfilt是零相位滤波（双向滤波），几乎没有波形畸变，但它不适用于实时处理，因为它在时间上做了"未来数据回溯"。在离线分析场景，比如你只是做课程设计、论文仿真，我建议优先用filtfilt做FIR滤波，因为它的输出波形跟原始语音的"时间对齐"关系更清晰。但要明白，在线实时系统里你是没办法用filtfilt的，这就是为什么标准filter依然是必须掌握的基础操作。

还有一个小经验：滤波之前先whos看一下工作空间里的变量类型。audioread读出来的数据有些是单精度，有些是双精度，有些是整数型。整数型数据直接给filter有时会引发隐式类型转换问题。养成习惯，读入后立刻转成double，并在幅度归一化之后再进入后面的处理流程。

最后是关于报告里"心得体会"的写法。不要写"通过这次实验，我学到了很多"这类空话。要写具体的认知变化。比如：动手之前我以为滤波器阶数越高越好，实际测试后发现高阶FIR在语音起始端的瞬态失真更大，阶数不是免费的——它换来了频域陡峭度，却牺牲了时域保真度。这种基于数据的反思，才是评委老师和面试官真正想看的内容。

我自己的体会是，这个项目最大的价值不在于"我会调MATLAB函数了"，而在于它强迫你同时思考频域性能和时域性能之间的权衡。你亲手调一次FIR的阶数，大改三次后看到波形和频谱的变化，比看十遍课本上的理论结论都管用。做这个项目的时候，别着急把代码写出来，先用半小时把指标表填好，再把阶数计算的过程在纸上推导一遍，后面所有步骤都会顺畅很多。