简介：匹配滤波是雷达脉冲压缩的核心技术，这一资料面向雷达信号处理研究人员与算法仿真学习者，围绕线性调频信号的匹配滤波展开，重点推导信号和白噪声两种情形下的增益计算公式，并辅以完整Matlab仿真验证，弥补理论推导与工程实现之间的断层。压缩包共14个文件，体积仅1.6MB，包含2个Matlab脚本、3个fig图窗文件、8张bmp仿真结果图以及1份docx分析文档，脚本、文档与图表一一对应，便于对照学习。已有613人参与学习，属于小而精的实战型资料。从中可系统掌握匹配滤波增益的计算方法、白噪声背景下的增益差异来源以及归一化系数的作用，同时获得可运行的脉冲压缩算法实现。分析文档与仿真代码相结合，加窗与不加窗、归一化与非归一化等对比场景均有图例佐证，适合结合仿真程序逐项复现。

1. 匹配滤波：雷达接收机里最不该用错的“滤波”

做雷达信号处理的人对匹配滤波都不陌生，它几乎是脉冲压缩、线性调频信号处理、目标检测链路里绕不开的第一站。但很多初学者把它当成一个普通滤波器，以为把回波信号通一通、把带外噪声压一压就算完事，这是对这个技术最深的误解。匹配滤波的本质不是“滤波”，而是“相关”，它做的事情是让接收信号与发射信号的共轭时间翻转做卷积，把分散在宽脉冲里的能量压到一个点上。这个压缩过程换来的信噪比增益，理论上是时宽带宽积 BT，实际仿真里能不能拿到这个数，取决于你知不知道归一化系数怎么摆。这篇文章就解决三件事：匹配滤波增益怎么从公式推导出来、Matlab 里怎么做仿真、以及为什么仿真结果总是和理论差那么几个分贝。

2. 匹配滤波的数学模型与两条关键推导：增益从哪来，归一化系数为什么必须推

2.1 匹配滤波器的冲激响应为什么是“共轭时间翻转”

匹配滤波器的定义在一本经典的信号处理教材里就能找到：对于一个确定信号 s(t)，在加性白噪声背景下，使输出信噪比最大的线性滤波器，其冲激响应为：

h(t) = k·s*(t0 - t)

这里 s*(·) 是发射信号的共轭，t0 是输出峰值出现的时刻，k 是可选的增益常数。很多人第一次看到这个式子会觉得别扭，因为它和直觉里的“匹配”不一样——不是说发射出一个波形，接收端用一个同样形状的滤波器去“套”它，而是要把发射信号在时间轴上翻转过来，再取共轭，做卷积运算。

我得解释一下这个翻转的动机。线性调频信号是复信号，相位随时间做二次变化，它的频谱里本身就带相位调制。接收信号经过目标反射，相位信息里携带了目标的时延和多普勒，而噪声是随机的。匹配滤波要做的事情本质上是“相位对齐”，让信号所有频率分量在一个时刻同相叠加，而噪声分量因为相位随机，叠加后只能按功率累加。如果不做时间翻转，信号分量的相位在时间轴上是指数发散的，卷积输出的峰值会被摊平，根本压不出尖峰。

2.2 输出峰值信噪比推导：从 2E/N0 到时宽带宽积

现在推导信噪比增益。设接收信号 r(t) = s(t) + n(t)，其中 n(t) 是双边功率谱密度为 N0/2 的高斯白噪声。匹配滤波器的输出为 y(t) = r(t) ⊛ h(t)，其中 ⊛ 表示卷积。

信号分量在 t = t0 时刻的峰值幅度为：

|y_s(t0)| = |∫ s(τ)·h(t0-τ) dτ| = |∫ s(τ)·s*(τ) dτ| = E

这里的 E 是发射信号的能量。噪声分量的输出是零均值高斯过程，方差为：

σ_n² = (N0/2)·∫ |h(t)|² dt

把 h(t) 代进去，∫ |s*(t0-t)|² dt = E，所以 σ_n² = (N0/2)·E。注意噪声输出方差和信号能量乘了一个系数，如果信号能量大，噪声也大，但这两个量的增长速度不一样。

输出峰值信噪比定义为 |y_s(t0)|² / σ_n²，代入后：

SNR_out = E² / [(N0/2)·E] = 2E/N0

这就是匹配滤波的理论信噪比天花板。但“2E/N0”这个量看起来和 BT 没有直接关系，转折点在于如何描述输入信噪比。如果输入信号是一个时宽为 T、带宽为 B 的线性调频信号，输入信噪比通常按接收机带宽来定义，SNR_in = E/(N0·B)。那么增益就是：

G = SNR_out / SNR_in = [2E/N0] / [E/(N0·B)] = 2B

注意这里有个系数 2，我见过很多人推导到这里就停了，直接用结果，导致仿真里对不上。真实雷达系统中这个 2 会被后端的检波方式、相干积累等环节吃掉或翻倍，做理论计算时最好先统一用“输出信噪比 = 2E/N0”作为基准，再根据自己系统的带宽定义去换算。如果发射信号是实信号，带宽定义是单边还是双边也会差出 2 倍，这属于另一个容易翻车的点。

2.3 归一化系数推导：Matlab 里 conv、xcorr 与能量系数的三角关系

Matlab 里做匹配滤波有三种常见姿势：conv、xcorr、频域乘法。同一个输入，三种写法给出来的峰值幅度却有天壤之别。原因在于 xcorr 默认会做双端相关的累加，而 conv 在边缘处是截断的，频域乘法如果不手动安排归一化，幅度直接受 FFT 点数影响。

假设发射信号 s 长度为 N，接收回波 r 长度为 M，且 r 完全包含 s 的回波分量。用 conv(s, conj(fliplr(s))) 会得到一个长度 N+M-1 的输出，峰值幅度等于 sum(|s|²)，即信号能量。用 xcorr(s, r) 得到的互相关输出长度也是 N+M-1，但峰值幅度等于 sum(s*conj(r)) 的绝对值，如果 r 里正好包含一个完整的 s 分量，且没有噪声，这个值和能量相等。

频域实现里情况变复杂。Y = ifft(fft(r, NFFT) .* conj(fft(s, NFFT)))，采样点数 NFFT 可以随便选，但峰值幅度会乘以一个 NFFT 相关的比例因子。也就是说，同样的物理场景，换了 NFFT 之后峰值就变了。为了在仿真里得到“幅度就是信号能量”的结果，需要把频域相乘的结果除以 NFFT。这是因为 FFT 本身自带一个归一化因子在 ifft 里，但没有被 fft 补偿，二者叠加后需要手动补上。

我自己的习惯是：如果只是做脉冲压缩看形状，用 xcorr 最直观；如果要做增益的数值验证和后续的恒虚警检测，统一用频域方式，并且严格按 NFFT 归一化。只要记住一个规则，“时域卷积的峰值是能量，频域实现需要除以 NFFT 才能回到这个值”，后面所有匹配滤波代码都不容易出幅度错误。

3. 用 Matlab 仿真线性调频信号脉冲压缩：最小实现与逐行解释

3.1 发射信号与回波构造：设置参数的基本原则

仿真线性调频信号匹配滤波，第一步是把发射信号和带噪回波造出来。以下是一段我在本地反复调过的代码，参数按常用雷达仿真习惯设置。

fs = 100e6; % 采样率 100 MHz T = 10e-6; % 脉冲宽度 10 us B = 10e6; % 带宽 10 MHz N = round(T * fs); % 脉冲内的采样点数 t = (0:N-1) / fs; % 时间轴 k = B / T; % 调频斜率 s = exp(1j * 2 * pi * (0.5 * k * t.^2)); % 复基带 LFM 信号 % 场景参数 delay = 1e-6; % 目标回波时延 1 us att = 1e-3; % 幅度衰减 0.1% r0 = att * [zeros(1, round(delay*fs)), s]; % 无噪声回波 r = r0 + (randn(1, length(r0)) + 1j*randn(1, length(r0))) / sqrt(2);

这段代码里值得注意的参数有三个。采样率 fs 选 100 MHz 而带宽只有 10 MHz，这是在做过采样，目的是让时延分辨率更高、频谱不会因为欠采样产生混叠。调频斜率 k 由 B/T 直接给出，LFM 信号的关键就是相位是时间的二次函数，所以表达式里是 t.^2 而不是 t，初学的时候经常有人误写成一次函数，导致仿真出来带宽不是预设值。噪声功率这里用 randn 生成单位方差复高斯噪声，再除以 sqrt(2) 是为了让实部虚部各占一半功率，总方差保持 1，这个细节影响后面信噪比计算的准头。

3.2 时域匹配滤波与频域匹配滤波的对照实现

有了发射信号和回波，接下来分别用两种方式做匹配滤波。时域方式直接用 conv，频域方式用 FFT 和 IFFT，并且重点验证前面推导的归一化系数。

% 方法一：时域卷积 matched_t = conv(r, conj(fliplr(s))); % 方法二：频域乘法，带 NFFT 归一化 NFFT = 2^nextpow2(length(r) + length(s) - 1); Rf = fft(r, NFFT); Sf = fft(s, NFFT); matched_f = ifft(Rf .* conj(Sf), NFFT); matched_f = matched_f / NFFT; % 关键归一化系数 % 峰值位置比较 [~, idx_t] = max(abs(matched_t)); [~, idx_f] = max(abs(matched_f)); % 绘图对比 % figure; subplot(2,1,1); plot(abs(matched_t)); title('时域匹配滤波'); % subplot(2,1,2); plot(abs(matched_f)); title('频域匹配滤波');

逻辑说明：时域卷积里 fliplr(s) 实现时间翻转，conj 是取共轭，这个写法与公式 h(t) = s*(t0-t) 完全对应。频域方式里 Rf .* conj(Sf) 相当于把发射信号频谱取共轭后与回波频谱相乘，再 IFFT 回时域。归一化系数除以 NFFT 是上节推导的直接落地——MATLAB 的 ifft 自带 1/NFFT，但 fft 没有对应的反向缩放，两个函数的这种组合让输出幅度需要手动归一。

3.3 为什么仿真输出的信噪比增益和理论值对不上

如果按上面代码运行，直接把峰值幅度与输入信号幅度比较，会得到一个看似“离谱”的结果。峰值幅度约等于 att·E，而 E 等于信号长度 N 乘以单点功率 1，也就是说峰值幅度比回波幅度放大了约 N 倍。这个放大倍数如果不做归一化，很容易被误以为是匹配滤波的增益。

真正的增益需要从信噪比角度度量，而不是峰值幅度。输入信噪比是回波信号功率和噪声功率之比，输出信噪比是峰值功率和噪声方差之比。很多人把峰值幅度放大倍数等同于 SNR 增益，这就是对不上号的根源：匹配滤波输出的峰值幅度是相干叠加的结果，所以正比于 N（采样点数），而噪声输出是功率累加，正比于 sqrt(N)。前后一除，实际的信噪比增益是 N，又因为 N = fs·T，而信号的时宽带宽积 BT = 100，这里 N 恰好是 1000，两者尚有系数差，这个系数正是采样率和带宽的比值。

3.4 参数表：采样率、时宽、带宽三者的关系如何影响压缩比

表中的“压缩比”在理想条件下等于 BT。BT 在工程上直接决定距离分辨率和信噪比增益上界，但也会影响旁瓣电平。纯线性调频信号不做窗函数加权时，匹配滤波输出呈现 sinc 函数旁瓣结构，第一旁瓣高度为 -13.2 dB，这个数字在不同 BT 下不变，所以想压制旁瓣只能加窗，这在后面的多目标章节会展开。

4. 增益验证实验：从仿真数据里把 2E/N0 抠出来

4.1 理论增益与仿真增益的对账方法

要验证匹配滤波增益，最干净的做法是做一组多次独立实验，固定信号能量，改变噪声功率，测量输出信噪比，画出一条“理论 vs 实测”的曲线。这里有一个常见的陷阱：输出峰值位置处的噪声样本是单个随机数，直接用那一点去测噪声功率，单次实验的随机性太大，必须取多次平均。

ener = sum(abs(s).^2); % 信号能量 N0 = 1; % 噪声单边功率谱密度 snr_theory = 2 * ener / N0; % 理论输出峰值信噪比 numExp = 200; peakSnrOut = zeros(1, numExp); for i = 1:numExp noise = (randn(1, length(r0)) + 1j*randn(1, length(r0))) / sqrt(2); r_try = r0 + noise; mf = ifft(fft(r_try, NFFT) .* conj(Sf), NFFT) / NFFT; peak = max(abs(mf)); noiseOut = mf; % 剔除峰值附近约 10 个点的影响后估计噪声方差 noiseOut(max(1, idx_f-5):min(NFFT, idx_f+5)) = 0; snrOut = peak^2 / var(noiseOut); peakSnrOut(i) = snrOut; end snr_avg = mean(peakSnrOut); disp(['理论 SNR: ', num2str(10*log10(snr_theory)), ' dB']); disp(['实测 SNR: ', num2str(10*log10(snr_avg)), ' dB']);

逻辑说明：循环里每次重新生成噪声，保持信号回波 r0 不变，这样测量得到的输出信噪比只受噪声随机性影响。剔除峰值附近十个点是为了避免匹配滤波主瓣能量进入噪声估计窗口，否则噪声方差被高估，实测 SNR 偏小。var 函数默认算功率，复信号直接用没问题。这段代码跑出来的实测结果与理论差的通常在 0.5 dB 以内。

4.2 归一化系数的另一种验证思路：用解析信号对照

除了蒙特卡洛实验，还可以用纯数学的方式验证归一化系数。构造一个不含噪声的回波，把时域卷积输出峰值记为 P_conv，频域实现输出峰值记为 P_fft。如果不做归一化，P_conv / P_fft 正好等于 NFFT。如果做了归一化，两者应该严格相等。这个比值和 NFFT 的整数关系可以直接打印出来验证。

fprintf('P_conv / P_fft = %g, NFFT = %d\n', P_conv / P_fft, NFFT);

这一行的输出如果是“P_conv / P_fft = 16384, NFFT = 16384”，说明归一化是自洽的。如果 NFFT 等于回波长度的 nextpow2，这个比值就是回波长度向上取整的 2 的幂次，而不是回波长度本身，所以不能想当然地用地基长度去除。

4.3 噪声带宽定义差异如何导致 2 倍系数翻车

有个血泪经验是：匹配滤波增益公式里的 N0 和“输入噪声功率”之间的换算。实际系统里用一个固定采样率的数据记录噪声，噪声总功率是 N0·fs（双边谱密度乘以带宽），而不是 N0。推导里输入信噪比如果按“有效带宽”定义，增益表达式里就可能出现 2 或者 1/2。仿真里要确认自己用的到底是双边谱密度 N0/2、单边谱密度 N0，还是总噪声功率，三者在换算时分别差出 2 倍。我给自己的规矩是：所有仿真统一用“频率区间内的噪声总功率”来定义输入 SNR，推导公式则用 E/N0，两条路汇合后如果发现差 2 倍，就去看带宽定义是不是把单边和双边搞混了。

5. 匹配滤波仿真中的五个经典踩坑点与排查方法

5.1 现象：conv 和 xcorr 的峰值位置总是差一个信号长度

原因：conv 做的是线性卷积，输出索引从 1 开始，而 xcorr 做的是相关运算，输出索引包含了负延迟。同一个物理时延，在两种方法的输出数组里位置不同，如果直接用 max 后的索引去计算时延，得到的距离误差可能达到一个脉冲宽度。

解决：不要混用两种方法的索引。用 conv 时，峰值索引减去信号长度 s 的长度得到时延索引；用 xcorr 时，参考文档里定义的零延迟点在最中间。固定一套方法后再算时延，就不会出这个问题。

5.2 现象：频域匹配滤波输出比时域方法小一个 NFFT 量级

原因：ifft(fft(a)·conj(fft(b))) 的数学运算是循环卷积，输出幅度天然包含了一个 NFFT 的缩放，这是 FFT 对原定义里的求和运算做了归一化处理导致的。如果不了解这个特性，直接拿频域结果和理论峰值比较，会觉得算法错了。

解决：在频域实现中把 IFFT 结果除以 NFFT，而且这个除法位置要在 IFFT 之后、取绝对值之前。我之前见过有人把除法放在 fft(r) 之前，结果只有噪声被缩小了，信号和噪声的信噪比关系被破坏，这种写法要避免。

5.3 现象：复数信号取绝对值之后发现旁瓣不对称

原因：有些教程用 exp(1j·...) 构造复基带信号，却用 plot 绘制实部或只用 abs() 观察结果，这本身没错，但如果匹配滤波器没有取共轭，fliplr 只做时间翻转，旁瓣结构在左右两侧会不对称，峰值也不会在预期位置。

解决：检查 h(t) 构造是不是完整写了 conj(fliplr(s))。漏掉 conj 的情况经常发生在“信号是实信号”的错误假设下。只要发射信号是复数，必须取共轭。

5.4 现象：强目标旁边的弱目标被旁瓣完全埋没

原因：匹配滤波输出是 sinc 形状，第一旁瓣只比主瓣低 13.2 dB，如果两个目标回波强度差超过 13 dB，弱目标就会淹没在强目标旁瓣里。这种问题与噪声无关，是信号固有的模糊函数特性。

解决：在频域匹配滤波前给发射信号频谱加窗，常见的是汉明窗或泰勒窗。加窗后旁瓣可以压到 -40 dB 以下，代价是主瓣展宽，距离分辨率变差。我自己在仿真多目标场景时，习惯用泰勒窗，因为它的旁瓣在指定区域衰减是可控的，不会像汉明窗那样不分青红皂白地展宽主瓣。

5.5 现象：仿真结果与理论增益始终差 3 dB 左右

原因：3 dB 恰好是功率和幅度的换算系数。很多人用 10·log10 而不是 20·log10 去计算幅度比的增益，或者反过来用 20·log10 去计算功率比，这两种错误都会带来正好 3 dB 的偏差。另一个可能性是噪声功率谱密度用了单边而公式推导用双边，或者是用 std(abs(noise)) 而不是 sqrt(mean(abs(noise).^2)) 去估计噪声功率。

解决：统一用功率量纲。输出信噪比 = abs(peak)^2 / var(noiseOut)，输入信噪比 = 信号平均功率 / 噪声功率，最后全部取 10·log10，不要中途混用幅度 dB。

6. 一个进阶技巧：频域匹配滤波的补零边界与多普勒失配下的处理

频域匹配滤波最容易被忽略的细节是 FFT 点数的选取。很多实现直接写 NFFT = length(r)，这在小场景下不会出错，但如果回波里目标时延接近脉冲长度，线性卷积的长度是 len(s) + len(r) - 1，直接用 length(r) 做点数的 FFT 会造成循环卷积的时间混叠，强目标回波会从时间窗的一端“周期性”出现在另一端，形成一假目标。我自己的经验是 NFFT 至少取到 len(s) + len(r) - 1 的 2 的幂次，也就是前面代码里用 nextpow2 的习惯。这个细节平时看起来人畜无害，一旦处理连续波或者长记录数据，假目标就冒出来了，而且很难排查。

另一个常见进阶场景是多普勒失配。匹配滤波器的冲激响应用发射信号的原型去构造，但目标高速运动时回波信号带有多普勒频移 fd，相当于回波信号的相位被乘以 exp(j·2π·fd·t)，此时发射信号与回波不再完全匹配，匹配滤波输出会出现峰值降低和旁瓣抬升。工程上最常用的手法是做一个多普勒滤波器组，即对一组不同 fd 假设分别做匹配滤波，再沿多普勒维取最大值——本质上是从一维匹配滤波扩展成二维匹配滤波。这个方向在仿真里做起来比理论看起来简单：把 s 乘以对应多普勒相移后重新构造滤波器冲激响应就行，代价只是计算量线性增长。

我自己在仿真里的一次真实“翻车”经历，就是误以为峰值幅度与目标距离无关，结果发现目标距离越远，峰值越低，最后发现是衰减系数 att 导致回波幅度随距离平方衰减，匹配滤波的归一化没错，但距离衰减没有在接收增益里补偿。这个问题的教训是：匹配滤波永远只负责信噪比增益，距离衰减、天线增益、传播因子这些项都在滤波器之外。做完匹配滤波后的信号，依然是目标越远、回波越弱，别把增益理解为无条件放大一切回波到同样强度。

建议你在自己的平台上跑通本节代码之后，先把 NFFT 的边界影响验证一遍，再做一个含两个不同 RCS 目标的场景，观察强目标旁瓣对弱目标的掩埋，最后再上手改动多普勒部分。这个顺序能保证每加一个复杂度，都有已知答案在手上，出问题时能用对照法快速定位。希望帮到你。

本文还有配套的精品资源，点击获取