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 1t₀ 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 ModulationLFM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 f₀10MHz。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TB1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 150mB 10MHz 时ΔR 15mB 100MHz 时ΔR 1.5mB 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窗函数第一旁瓣电平主瓣展宽因子旁瓣滚降速度典型场景矩形窗不加窗-13.26 dB1.0慢需要最大分辨率的场景汉宁窗-31.5 dB1.63快气象、监视雷达海明窗-42.5 dB1.47中等通用折中选择布莱克曼窗-58 dB1.73快强目标旁瓣极敏感场景泰勒窗-35dBnbar4-35 dB1.23可控SAR/ISAR成像常用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。实现方式运算量延迟适用场景时域卷积O(N·M)低小点数、实时流式处理频域相乘O(N·log₂N)高大点数、数据帧式处理频域加窗匹配O(N·log₂N)高需要同时加窗的大点数处理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。分别做FFTR(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。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。频域相乘再IFFTy(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 kmRCS较大 # 目标2距离 10.150 kmRCS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, dtypecomplex) # 转成采样点索引 idx1 int(np.round(delay1 * fs)) idx2 int(np.round(delay2 * fs)) rx[idx1:idx1N] amp1 * lfm rx[idx2:idx2N] 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, dtypecomplex) 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, dtypecomplex) 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(fNo 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(fNo 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由距离分辨率需求反推带宽B ≥ c/(2ΔR)再留10%~20%余量。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。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。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。采样率取 fs ≥ (2~4)B最好按硬件时钟可整除的值选。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。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。信号类型典型旁瓣多普勒敏感性产生复杂度典型带宽效率LFM可加窗抑制到-40dB以下低低高巴克码(13位)主副瓣比22.3dB高低低m序列随码长增加旁瓣降低高中中Costas序列图钉型模糊函数低(多普勒容忍)中中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发射LFM脉冲串接收回波并数字化。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。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。恒虚警检测CFAR在距离-多普勒图上做二维CFAR检测提取目标。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FFTIFFT如果PRF2kHz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。