简介：这份资源围绕雷达发射信号、雷达回波信号与脉冲压缩三大核心概念展开，面向雷达信号处理初学者、通信与电子工程专业学生及需要快速搭建仿真验证环境的工程人员，帮助理解匹配滤波、回波分析与脉冲压缩的实现思路。压缩包共6个文件，均为m脚本文件，整体约8KB，涵盖主程序、回波生成、发射信号构造、匹配滤波与脉冲压缩等模块，便于在MATLAB中直接运行与修改参数。已有296人学习下载，适合作为课程设计或自学练手的参考素材。读者可借助源码观察发射波形设计、回波模拟到匹配滤波输出的完整链路，理解距离分辨率与探测距离之间的权衡关系，并在此基础上调整脉冲宽度、带宽等参数，验证不同条件下信噪比与目标检测效果的变化，为后续雷达系统仿真与算法优化提供可复用的代码框架。
1. 从一串雷达回波到清晰目标：脉冲压缩到底在解决什么问题
第一次在模拟项目里看到雷达回波数据时，我盯着那一堆复数采样点发了很久的呆。发射信号打出去，碰到目标反射回来，接收机采到的却是一段被噪声淹没、时间上还被拉长了的波形。如果直接对这段回波做门限检测，小目标根本浮不出来，大目标旁边的小目标也会被主瓣掩盖。这就是雷达信号处理里最经典的矛盾：想要远的探测距离，就得加大发射脉冲宽度，提高能量；但脉冲越宽，距离分辨率越差，两个靠得近的目标在时域上直接糊成一块。
脉冲压缩就是用来拆这个矛盾的。它的核心思路并不复杂：发射时用大时宽带宽积的信号，比如线性调频信号，接收时通过匹配滤波把长脉冲压缩成一个窄尖峰。这样既保住了发射能量，又拿到了窄脉冲的距离分辨率。标题里提到的“雷达发射信号”“雷达回波信号”“脉冲压缩”其实是一条完整的链路——发射什么波形，决定了回波长什么样，也决定了你后面用什么参考函数去做压缩。
这套东西适合谁？如果你正在做雷达信号仿真、目标检测、或者只是想把一段实测中频回波跑通处理流程，那脉冲压缩是你绕不开的第一步。它不像恒虚警检测那样有那么多参数玄学，但参考函数选错、采样率对不上、加窗方式不对，照样能让你的压缩结果一塌糊涂。下面我按自己踩过的顺序，把发射信号生成、回波模拟、脉冲压缩实现和避坑点拆开讲。
2. 发射信号与回波建模：先把仿真链路搭对
2.1 为什么线性调频信号是默认起点
雷达发射信号有很多种，相位编码、频率步进、非线性调频，但工程仿真里最常拿来做验证的还是线性调频信号。原因很直接：它的瞬时频率随时间线性变化，匹配滤波后的主瓣形状接近 sinc 函数，旁瓣结构清晰，数学上也好推导。对于刚接触雷达信号处理的人来说，先把线性调频这条链路跑通，再去换其他波形，心里会有底得多。
线性调频信号的复数表达式可以写成这样：在脉冲持续时间内，信号是 exp(jπKt²) 的形式，其中 K 是调频斜率，等于带宽除以脉宽。带宽决定了压缩后的距离分辨率，脉宽决定了发射能量。这两个参数一确定，信号的形式就定了。我一般会在仿真脚本开头就把这几个量写成变量，后面所有计算都引用它们，避免改了一个地方忘了另一个地方。
采样率的选择是个容易翻车的地方。按照带通采样定理，采样率至少要覆盖信号带宽的两倍以上，但实际做仿真时我习惯取带宽的 4 到 8 倍，这样压缩后的主瓣能有足够多的采样点来描述，旁瓣也不会因为采样太粗而失真。如果采样率刚好卡在 2 倍带宽，压缩峰可能只落在两三个采样点上，峰值幅度和旁瓣测量都会不准。
2.2 用 Python 生成发射信号与目标回波
下面这段代码是我常用的最小仿真链路，生成一个线性调频发射信号，再模拟两个点目标的回波。代码里把参数都提出来了，方便你直接改。
import numpy as np # ===== 雷达与波形参数 ===== c = 3e8 # 光速，单位 m/s fc = 10e9 # 载频 10 GHz B = 50e6 # 信号带宽 50 MHz Tp = 10e-6 # 脉冲宽度 10 us fs = 200e6 # 采样率 200 MHz，约为带宽的 4 倍 K = B / Tp # 调频斜率 # ===== 生成发射信号 ===== N = int(Tp * fs) # 脉冲内的采样点数 t = np.arange(N) / fs # 快时间轴 tx = np.exp(1j * np.pi * K * t**2) # 线性调频复信号 # ===== 模拟两个点目标的回波 ===== ranges = [1500, 1530] # 两个目标距离，单位 m，间隔 30 m amplitudes = [1.0, 0.6] # 两个目标的回波幅度 echo = np.zeros(N, dtype=complex) for r, a in zip(ranges, amplitudes): delay = 2 * r / c # 双程时延 n_delay = int(round(delay * fs)) # 时延对应的采样点数 if n_delay + N <= N: echo[n_delay:n_delay+N] += a * tx else: # 目标回波超出当前接收窗，实际仿真中需要扩展接收窗 pass # 加入复高斯白噪声 noise_power = 0.01 noise = np.sqrt(noise_power/2) * (np.random.randn(N) + 1j*np.random.randn(N)) echo += noise这段代码的逻辑很直白：先按采样率把脉冲时间轴离散化，生成线性调频复信号；然后对每个目标计算双程时延，把发射信号搬移到对应位置并乘以幅度；最后叠加上复高斯白噪声。有几个参数需要留意。采样率 fs 决定了时延量化的精度，如果两个目标间隔小于一个距离门，它们在采样后的回波里可能落在同一个采样点上，压缩后也分不开。噪声功率 noise_power 我设得比较小，是为了让压缩前后的对比更明显，实际场景里要根据信噪比需求调整。
还有一个细节：上面代码里接收窗长度和发射脉宽一样，这在实际中是不够的，因为目标回波会超出这个范围。做仿真时我一般把接收窗设成脉宽加最大时延的长度，或者干脆用卷积的方式生成全时间轴回波，避免截断。
2.3 回波模型里容易忽略的幅度与相位项
很多人在仿真时只关心时延，把回波幅度设成常数，相位也直接复制发射信号。这在验证脉冲压缩算法时问题不大，但如果要评估检测性能或者做相干积累，幅度和相位的建模就不能太随意。目标的雷达截面积起伏、距离衰减、接收机增益都会影响回波幅度。相位方面，目标运动带来的多普勒频移会让回波在慢时间维上产生相位变化，如果只做单脉冲压缩，这个可以暂时忽略，但做多脉冲处理时就必须考虑。
我一般会在回波生成时加一个距离衰减因子，按 1/R⁴ 或者 1/R² 来算，具体用哪个取决于仿真目的是不是要模拟真实接收功率。如果只是验证压缩算法，幅度设成常数反而更干净，免得把衰减和压缩增益混在一起看。
3. 脉冲压缩的实现：匹配滤波与加窗的取舍
3.1 匹配滤波为什么等价于相关处理
脉冲压缩的本质是匹配滤波。对于发射信号 s(t)，匹配滤波器的冲激响应是 s*(-t)，也就是发射信号的时间反转共轭。在频域里，匹配滤波相当于把回波频谱乘以发射信号频谱的共轭。所以实现上有两条路：时域做卷积，或者频域做相乘。时域卷积直观但计算量大，频域相乘快但要注意补零和循环卷积的问题。
我通常用频域方法，因为仿真里数据长度不大，用 FFT 做起来代码短、速度快。具体做法是把回波和参考信号都补零到足够长度，做 FFT 后相乘，再 IFFT 回来。补零长度至少是两者长度之和减一，否则循环卷积会把尾部绕到前面，压缩结果里会出现莫名其妙的假峰。
匹配滤波的输出在目标时延处形成峰值，峰值位置对应目标距离，峰值幅度对应回波强度。压缩增益大约等于时宽带宽积，也就是 B 乘以 Tp。上面参数里 B 是 50 MHz，Tp 是 10 微秒，时宽带宽积是 500，换算成 dB 大约是 27 dB。这个增益是脉冲压缩能从小信号里把目标挖出来的根本原因。
3.2 频域脉冲压缩的代码实现与参数说明
下面这段代码接着上面的回波数据，做频域匹配滤波，并画出压缩前后的对比。为了让你能直接跑，我把绘图部分也写进去了。
import matplotlib.pyplot as plt # ===== 构造匹配滤波参考信号 ===== # 参考信号是发射信号的时间反转共轭 ref = np.conj(tx[::-1]) # ===== 频域脉冲压缩 ===== n_fft = 2**int(np.ceil(np.log2(len(echo) + len(ref) - 1))) Echo_f = np.fft.fft(echo, n_fft) Ref_f = np.fft.fft(ref, n_fft) compressed = np.fft.ifft(Echo_f * Ref_f) # 取模并转 dB compressed_mag = np.abs(compressed) compressed_db = 20 * np.log10(compressed_mag / np.max(compressed_mag) + 1e-12) # ===== 距离轴换算 ===== range_axis = np.arange(n_fft) * c / (2 * fs) # ===== 绘图对比 ===== plt.figure(figsize=(10, 4)) plt.subplot(1, 2, 1) plt.plot(np.arange(N)/fs*1e6, np.abs(echo)) plt.xlabel('快时间 (us)') plt.ylabel('幅度') plt.title('压缩前回波') plt.subplot(1, 2, 2) plt.plot(range_axis, compressed_db) plt.xlabel('距离 (m)') plt.ylabel('归一化幅度 (dB)') plt.title('脉冲压缩后') plt.xlim(1400, 1600) plt.ylim(-60, 5) plt.tight_layout() plt.show()这段代码里最关键的是 n_fft 的选取。它必须大于等于 echo 和 ref 长度之和减一，否则循环卷积会导致压缩波形出现折叠。我一般直接取 2 的整数次幂，方便 FFT 计算。参考信号 ref 是发射信号的时间反转共轭，这一步如果搞反了，压缩峰会跑到错误的位置，甚至压不出峰来。
压缩后的距离轴换算用的是 c 除以 2 倍采样率，因为雷达是双程传播，一个采样点对应的距离是光速除以两倍采样率。如果你用的是去斜处理或者别的接收体制，这个换算关系要相应调整。
3.3 加窗抑制旁瓣：汉明窗与泰勒窗怎么选
匹配滤波的输出主瓣两侧会有旁瓣，第一旁瓣大约在 -13 dB 左右。如果场景里有大目标和小目标靠得近，大目标的旁瓣可能把小目标的主瓣盖住。这时候就需要加窗。加窗的做法是在频域匹配滤波时，给参考信号的频谱乘上一个窗函数，相当于对匹配滤波器做失配处理，用主瓣展宽换旁瓣降低。
常用的窗有汉明窗、汉宁窗、泰勒窗。汉明窗能把第一旁瓣压到 -40 dB 左右，但主瓣会展宽大约 1.5 倍，距离分辨率会下降。泰勒窗可以通过调整旁瓣电平参数，在旁瓣抑制和主瓣展宽之间做更灵活的选择。我一般先用汉明窗看效果，如果主瓣展宽导致两个目标分不开，再换泰勒窗调参数。
加窗的代码改动很小，在频域相乘之前给 Ref_f 乘上窗函数的频谱就行。但要注意窗的长度要和参考信号匹配，补零之后窗也要跟着补零，否则窗的形状会被截断，旁瓣抑制效果打折扣。
# 在频域匹配滤波前加汉明窗 window = np.hamming(len(ref)) window = np.pad(window, (0, n_fft - len(ref)), 'constant') Ref_f_windowed = np.fft.fft(ref * window, n_fft) compressed_win = np.fft.ifft(Echo_f * Ref_f_windowed)加窗之后压缩峰的主瓣会变宽，峰值幅度也会略有下降，这是正常的代价。评估加窗效果时不要只看旁瓣降了多少，还要看两个邻近目标是不是还能分开。如果主瓣展宽到把两个目标又糊在一起，那旁瓣压得再低也没意义。
4. 避坑与排查：脉冲压缩仿真里最容易翻车的五个地方
4.1 压缩峰位置对不上距离
现象：压缩后的峰值位置换算成距离，和目标设定的距离差了好几个距离门。原因通常是参考信号的时间反转没做对，或者时延计算时用了单程距离而不是双程。解决方法是检查参考信号的构造顺序，确认回波生成时用的是 2R/c 而不是 R/c。另外，如果回波生成时做了整数采样点时延，而压缩后没有补偿这个整数偏移，也会出现固定偏差。
4.2 压缩后出现对称的假峰
现象：在主峰两侧等距离处出现幅度较低的对称峰。原因多半是频域相乘时 FFT 长度不够，循环卷积把信号尾部绕到了前面。解决方法是把 n_fft 增加到至少 len(echo) + len(ref) - 1，并且取 2 的整数次幂。如果补零后还有假峰，检查一下回波里是不是包含了直流分量，直流分量在频域会和参考信号的直流分量相乘，产生额外的峰。
4.3 加窗后主瓣展宽导致目标分不开
现象：加汉明窗后，原本能分开的两个目标在压缩结果里变成一个宽峰。原因是汉明窗的主瓣展宽系数大约 1.5，如果两个目标原本的距离间隔就接近分辨率极限，加窗后就会糊在一起。解决方法是换用主瓣展宽更小的窗，比如泰勒窗在 -30 dB 旁瓣时主瓣展宽约 1.2 倍，或者适当降低旁瓣抑制要求，用矩形窗但接受较高的旁瓣。
4.4 采样率不够导致峰值幅度抖动
现象：每次运行仿真，压缩峰的幅度都有明显变化，旁瓣结构也不稳定。原因是采样率太低，压缩峰只落在少数几个采样点上，峰值采样点的位置稍微偏移就会导致幅度大幅变化。解决方法是把采样率提高到带宽的 4 倍以上，或者在压缩后做插值，让峰值有更多采样点来描述。我一般直接提高采样率，因为插值会引入额外的计算和可能的失真。
4.5 噪声功率设置不当掩盖真实问题
现象：加了噪声之后压缩结果看起来还行，但去掉噪声反而发现压缩波形有畸变。原因是噪声功率设得太大，把压缩波形的细节掩盖了。解决方法是先在无噪声条件下验证压缩算法正确，确认主瓣形状、旁瓣电平、峰值位置都符合预期，再逐步加噪声看性能下降情况。无噪声时如果压缩波形就不对，那问题一定在算法本身，跟噪声无关。
5. 从单脉冲到多脉冲：脉冲压缩之后的进阶用法
单脉冲压缩跑通之后，下一步通常是做多脉冲处理。雷达在一个波位驻留期间会发射多个脉冲，接收到的回波按慢时间维排列成一个二维矩阵。对每一列做脉冲压缩，得到距离维的压缩结果；再对同一距离单元在不同脉冲之间做相干积累，利用目标运动带来的多普勒相位变化来进一步提升信噪比。这一步和脉冲压缩是互补的：脉冲压缩在快时间维把长脉冲压成窄峰，相干积累在慢时间维把多个脉冲的能量集中起来。
我一般会先构造一个简单的多脉冲回波矩阵，验证压缩加积累的链路。具体做法是生成多个脉冲的回波，每个脉冲里目标的时延相同，但相位按多普勒频率变化。然后对每个脉冲做脉冲压缩，再把压缩结果按距离单元取出来做 FFT，看多普勒维上是不是在目标对应的频率处出现峰值。
# ===== 多脉冲回波与相干积累 ===== M = 64 # 脉冲数 prf = 2000 # 脉冲重复频率 Hz fd = 300 # 目标多普勒频率 Hz slow_time = np.arange(M) / prf echo_matrix = np.zeros((M, N), dtype=complex) for m in range(M): phase = np.exp(1j * 2 * np.pi * fd * slow_time[m]) echo_matrix[m, :] = echo * phase # 每个脉冲加多普勒相位 # 对每个脉冲做脉冲压缩 compressed_matrix = np.zeros((M, n_fft), dtype=complex) for m in range(M): Echo_f_m = np.fft.fft(echo_matrix[m, :], n_fft) compressed_matrix[m, :] = np.fft.ifft(Echo_f_m * Ref_f) # 在目标距离单元上做多普勒 FFT target_bin = np.argmax(np.abs(compressed_matrix[0, :])) doppler_spectrum = np.fft.fftshift(np.fft.fft(compressed_matrix[:, target_bin])) doppler_axis = np.fft.fftshift(np.fft.fftfreq(M, 1/prf)) plt.figure() plt.plot(doppler_axis, 20*np.log10(np.abs(doppler_spectrum)+1e-12)) plt.xlabel('多普勒频率 (Hz)') plt.ylabel('幅度 (dB)') plt.title('目标距离单元的多普勒谱') plt.show()这段代码里，脉冲压缩部分和单脉冲一样，只是对矩阵的每一行分别做。相干积累是在目标距离单元上取慢时间序列做 FFT，多普勒频率会在这个谱上形成峰值。有几个参数要注意：脉冲数 M 决定了多普勒分辨率，M 越大分辨率越高，但仿真时间也越长；脉冲重复频率 prf 决定了无模糊多普勒范围，目标多普勒频率不能超过 prf 的一半，否则会出现多普勒模糊。
实际做的时候，我习惯先用单目标验证多普勒峰的位置对不对，再加第二个目标看能不能在距离-多普勒二维平面上分开。如果两个目标距离相同但速度不同，它们会在同一个距离单元的不同多普勒通道上出现；如果距离不同速度相同，它们会在不同距离单元的同一个多普勒通道上出现。这两种情况都验证过之后，整个链路才算稳了。
最后说一个我自己的习惯：每次改参数之前，先把当前参数下的压缩结果存一份基准图。改完之后和基准图对比，看主瓣宽度、旁瓣电平、峰值位置这三个指标变了多少。如果只盯着一个指标调，很容易把另一个指标调坏。雷达信号处理里没有免费的午餐，脉冲压缩的每一个参数选择都是在分辨率、旁瓣和信噪比之间做权衡。希望帮到你。
本文还有配套的精品资源，点击获取
