雷达信号处理链路详解：LFM脉压、相参积累与CFAR检测的MATLAB实现-平芜编程栈

简介：面向雷达通信与信号处理方向的Matlab源码包，围绕线性调频（LFM）信号处理链展开，完整覆盖信号产生、脉冲压缩、相参积累、恒虚警（CFAR）检测、目标信息提取等典型步骤，适合高校学生、科研人员及工程师用于算法仿真与实验验证。压缩包共包含21个文件，其中6个.m主程序实现各模块核心算法，12张jpg图片直观展示每个阶段的处理结果，2个.dat文件保存中间/积累数据，1份.doc文档对整体流程和参数进行说明；整个资源包仅1.01MB，轻量便捷，打开即可运行。目前已有141人学习下载，尤其适合作为雷达信号处理课程设计、毕业设计或自主学习的配套实战素材。通过代码与图片一一对应，读者既能快速理解调频信号在时频域的变化规律，也能掌握相参积累提升信噪比、CFAR检测抑制虚警的具体实现方法，是一份兼顾原理讲解与动手实践的参考资源。

1. 雷达数字信号处理链路：从LFM波形到目标信息提取

有一次在调试某线性调频雷达的相参积累程序，单次脉冲回波在时域上明明能看到点状目标，做了脉冲压缩后信噪比却不见提升，后来发现是脉压时的频域滤波器和回波没有对齐，相位没校正是致命伤。这类问题在这套源码里基本都能找到答案。它是一套基于MATLAB的雷达数字信号处理完整工程，覆盖LFM信号生成、频域脉冲压缩、相参积累、恒虚警CFAR检测以及目标角度提取，附带的CF_SUM和CF_SUB两个.dat文件分别是和、差通道的脉压数据。适合正在做雷达通信课程设计、毕业论文或者刚接触雷达信号处理链路的人对照复现，也适合想快速搭起一个可运行的算法骨架的工程师。

2. LFM信号生成与频域脉冲压缩的参数设计与Matlab实现

2.1 LFM时域波形生成：带宽、脉宽与调频斜率

LFM（Linear Frequency Modulation）的核心思想是在一个宽脉冲内通过频率线性扫描获得大带宽，从而在匹配滤波后获得窄脉冲，兼顾作用距离和距离分辨率。距离分辨率由带宽决定：ΔR = c/(2B)。所以设计波形时先定指标，再反推参数。通常的做法是先明确雷达需要分辨的最小距离差，再选择带宽，然后根据峰值功率折算脉宽，最终确定调频斜率。

常见的做法是在MATLAB里生成复基带LFM信号，对应源码里的LFM_gen.m核心段：

fs = 100e6; % 采样率 100 MHz T = 20e-6; % 脉冲宽度 20 us B = 10e6; % 信号带宽 10 MHz K = B / T; % 调频斜率 1e12 Hz/s N = round(T * fs); % 单脉冲采样点数 t = (0 : N-1) / fs; % 基带时间轴 lfm = exp(1j * pi * K * t.^2); % 复数LFM信号

这段代码里最容易被忽略的是调频斜率的符号。上扫频用正斜率，下扫频用负斜率，接收端匹配滤波器必须和发射波形斜率一致，否则脉压后信号会严重散焦。另一个坑是采样率，工程上通常取 fs >= 2B 满足带通采样，但在复基带仿真里一般取 fs > B 即可，推荐 fs = 2B 以上，否则脉压输出容易在数字域出现栅瓣，距离像上多出假峰。

2.2 匹配滤波与频域脉冲压缩实现

脉冲压缩本质是把回波与发射信号的共轭倒序做卷积。时域卷积每个输出点要做N次复数乘法，数据量一大就慢，工程上几乎都用FFT的频域实现。LFM_pc_freq.m对应的结构如下：

% 匹配滤波器系数：发射波形共轭倒序 match_filter = conj(fliplr(lfm)); % 为避免循环卷积，FFT点数按线性卷积要求取 Nfft = length(lfm) + length(echo_signal) - 1; Nfft = 2^nextpow2(Nfft); H = fft(match_filter, Nfft); S = fft(echo_signal, Nfft); y = ifft(S .* H, Nfft); y = y(1 : length(lfm) + length(echo_signal) - 1); % 截取有效段

这里有三个关键点。第一，Nfft至少为两个序列长度之和减一，直接用Nfft = length(lfm)做频域相乘会产生循环卷积混叠，脉压输出会叠出伪峰。第二，匹配滤波器系数是发射信号的共轭倒序，不是脉冲本身，差一个共轭就会让调频斜率反向，输出从尖峰变成大平台。第三，实际雷达回波通常要经过下变频到基带再采样，这里echo_signal是基带复数回波，不要用实数信号直接参与脉压，否则正负频谱会互相干扰。

2.3 加窗与距离旁瓣控制

矩形LFM脉压输出的距离旁瓣是-13.2dB，在多目标场景下会遮住小目标，所以通常对匹配滤波器频响加窗。源码里如果只做矩形脉压，复现时可以用下面方式自行加入加权：

win = hanning(Nfft, 'periodic'); Hw = fft(match_filter .* ifft(win), Nfft); % 时域加权后再FFT Yw = ifft(S .* Hw, Nfft);

注意这里加窗要在时域对匹配滤波器系数做窗函数加权，再取FFT，而不是直接乘在频域H上。两种做法效果接近，但时域加窗的旁瓣抑制更可控。常用窗函数的选择参考如下表。

| 窗函数 | 主瓣宽度（相对矩形） | 第一旁瓣电平 | 适用场景 | | 矩形 | 1.0 | -13.2 dB | 追求分辨率，旁瓣要求低 | | Hann | 2.0 | -31.5 dB | 通用场景 | | Hamming | 1.9 | -42.6 dB | 近距离多目标 | | Chebyshev | 可配置 | 可指定（如-50 dB） | 需要固定旁瓣 |

加窗的代价是主瓣变宽，距离分辨率下降约1.2到1.5倍。如果系统对距离分辨率有硬指标要求，加窗后带宽要留余量。在复现时可以同时运行LFM_pc.m和LFM_pc_freq.m，把两组输出画在同一张图里，验证频域实现和线性卷积一致。

3. 相参积累与多普勒处理：processCoherent的工程实现

3.1 相参积累的信噪比收益

单脉冲脉压后的信噪比如果不足以检测，就要对多个重复周期的回波进行积累。非相参积累在检波后求和，抗噪性能差；相参积累在检波前对复数回波做同向合成，N个脉冲积累后信噪比提升10lg(N) dB。但相参积累有一个前提：脉冲之间目标的相位差要稳定。对于匀速运动目标，相位随慢时间线性变化，这个线性变化正好对应多普勒频率，所以相参积累天然和多普勒处理绑定在一起。

3.2 从二维数据矩阵到多普勒处理

processCoherent.m的输入通常是一帧脉冲压缩后的数据，结构是“距离单元数 × 脉冲数”，每一列是一个PRI内的距离像。相参积累的过程就是沿慢时间维做FFT，把每个距离单元上的多普勒频谱算出来。

% pc_data: 二维矩阵 [N_range, N_pulse] [N_range, N_pulse] = size(pc_data); % 沿脉冲维加窗，抑制多普勒旁瓣 dopp_win = hamming(N_pulse, 'periodic'); doppler_map = zeros(N_range, N_pulse); for k = 1 : N_range x = pc_data(k, :); x = x(:) .* dopp_win; % 慢时间加权 doppler_map(k, :) = fftshift(fft(x, N_pulse)); end

这段实现里有几个容易出错的地方。第一，FFT的点数不一定等于脉冲数，可以在慢时间维补零到2^nextpow2(N_pulse)来插值多普勒谱，但不会提升速度分辨率，分辨率仍由总相参时间决定。第二，fftshift要把零多普勒移到频谱中间，后续才能正确对应正负速度。第三，慢时间加窗会压低多普勒旁瓣，但也会稍微展宽速度谱，和距离维加窗的取舍是同一套逻辑。

3.3 多普勒映射与速度/距离参数

每个多普勒通道对应的速度可以写成：

v = λ * fd / 2

其中fd是FFT通道对应的多普勒频率。在代码里要小心坐标映射：

freq_axis = (-N_pulse/2 : N_pulse/2-1) / (N_pulse * PRI); fd = freq_axis(doppler_bin); velocity = fd * lambda / 2;

这里有一个常见坑：PRI是重复周期，单位是秒，直接用PRF的倒数就好，不要多减一。如果仿真时PRI定错，所有速度刻度都会偏。另一个坑是目标存在距离走动时，跨距离单元的相参积累会把能量散布到多个距离门，积累增益达不到理论值，这时需要先做Keystone变换或包络对齐，再去做FFT。这套源码里processCoherent.m用的是单距离门直接FFT，适合低速目标场景，对高速目标需要自行扩展。

3.4 计算开销与并行化

相参积累的计算量主要耗在逐距离单元的FFT上。写代码时不要用两层for循环去逐点算FFT，直接对矩阵每一行做向量化操作会快很多。如果数据量达到数千距离单元、数千脉冲，常见做法是改用分批FFT，或者用parfor对距离单元分块处理：

parfor k = 1 : N_range x = pc_data(k, :); x = x(:) .* dopp_win; doppler_map(k, :) = fftshift(fft(x, N_pulse)); end

用parfor前要先把doppler_map声明为普通数组，再通过切片赋值让MATLAB识别为“循环不依赖”的并行任务。否则MATLAB会抱怨使用不支持的临时变量，实际提速也很有限。

4. CFAR检测与单脉冲测角：从恒虚警到目标提取

4.1 单元平均CFAR的参考窗设计

CFAR检测的作用是让检测门限跟随背景噪声和杂波功率自适应变化，从而保持虚警率恒定。processCFAR.m里核心是滑窗式单元平均CFAR。设计参数有三个：参考单元数N_ref、保护单元数N_guard、门限因子alpha。

% 一维CA-CFAR实现 function [detected, thr] = ca_cfar(x, n_ref, n_guard, pfa) x = abs(x(:)); N = length(x); detected = false(N,1); thr = zeros(N,1); % 根据虚警率算门限因子，公式基于总参考单元数 alpha = n_ref * (pfa^(-1/n_ref) - 1); half_ref = n_ref / 2; start_idx = half_ref + n_guard + 1; end_idx = N - half_ref - n_guard; for i = start_idx : end_idx left = mean(x(i-half_ref-n_guard : i-n_guard-1)); right = mean(x(i+n_guard+1 : i+n_guard+half_ref)); noise = (left + right) / 2; thr(i) = alpha * noise; detected(i) = x(i) > thr(i); end end

参数关系：参考单元数越多，噪声估计越稳定；alpha越大门限越高，虚警率越低。保护单元至少要大于等于脉压主瓣宽度对应的单元数，否则目标能量漏进参考窗会把门限抬高，导致弱目标丢失。不同参数组合下的alpha参考值如下表，N_ref指两侧参考单元总数。

| 参考单元数(总) | 虚警率 1e-4 时 alpha | 虚警率 1e-6 时 alpha | | 8 | 17.3 | 37.0 | | 16 | 12.5 | 21.9 | | 32 | 10.7 | 17.3 |

我的经验是，先跑一帧脉压后的距离像，数一下主瓣占几个距离单元，再往上加一到两个保护单元。如果保护单元不够，强目标的峰值会抬高左右两边的门限，CFAR输出在强目标附近出现一个“检测黑洞”，这个问题尤其在密集多目标场景里明显。

4.2 和差通道数据与单脉冲测角

资源里的CF_SUM_PC_data_yjgz.dat和CF_SUB_PC_data_yjgz.dat，对应相参积累后的和通道、差通道数据。单脉冲测角的核心是：目标方向偏离波束中心时，和通道提供幅度基准，差通道产生误差信号。测角公式可以写成：

angle = k * real(delta / sigma)

其中k是斜率系数，由天线方向图决定。在MATLAB里读取这类二进制文件时需要注意格式。常见做法是先读取，再按复数格式重排：

fid = fopen('CF_SUM_PC_data_yjgz.dat','rb'); raw = fread(fid, 'int16'); fclose(fid); % 假设存的是I/Q交错的整数数据 IQ = raw(1:2:end) + 1j * raw(2:2:end);

如果读出来的数据前几个点不是预期的峰值，先检查字节序。MATLAB的fread默认按本机字节序，如果文件是网络字节序写入，要在fopen参数里加'l'或'b'，例如fopen(..., 'rb', 'l')。这里有一个容易被坑的地方：有些仿真工具导出.dat时直接把复数实部虚部写成int16，如果不做十六进制到有符号数的转换，直接当float32读会得到完全对不上的数据。我通常会在读完后打印IQ的前16个点做统计，确认幅值范围合理再继续处理。

4.3 目标信息提取流程

CFAR检测出来的只是和通道距离-多普勒谱上的峰值点，要得到完整目标信息还要做三个操作。第一，从峰值索引反算距离，距离等于采样时刻乘以光速再除以2。第二，同步取差通道在同一距离-多普勒单元的数据，用于角度解算。第三，对多个相邻点做质心处理：

% 找到CFAR峰值点 [range_idx, doppler_idx] = find(detected); % 取和差通道对应点 sigma = sum_map(range_idx, doppler_idx); delta = sub_map(range_idx, doppler_idx); % 比幅求误差电压 err = real(delta / sigma); % 质心细化距离 range_vec = c * (range_idx - 1) / (2 * fs);

质心处理是为了降低栅格量化误差。实际操作中，我会在CFAR峰值附近取正负一个距离单元的能量加权质心作为最终距离估计，这样比直接读峰值索引更稳定，尤其在做后续跟踪时效果好。注意每个峰值都要同时判断和通道幅度超过门限，并且差通道幅度不能太小，否则误差电压被噪声主导，测角结果会乱跳。对于多目标情况，先做峰值聚类再逐点测角，否则一个目标的差通道强信号会污染相邻目标的测角。

5. 源码结构与数据流复现：和差通道数据的关键细节

5.1 文件角色与运行顺序

建议流程：先跑LFM_gen生成参考波形，再用LFM_pc_freq对单脉冲做脉压，确认主瓣位置和理论一致。然后把多脉冲脉压结果整理成二维矩阵，跑processCoherent，再读入和差数据跑CFAR和测角。两个.dat文件里如果已经是脉压完的数据，就不需要重新做脉冲压缩，直接当距离像使用。

5.2 复现时最容易翻车的三个细节

第一，数据对齐。从.dat读到的数据要和本地仿真出的数据做时间轴对齐，如果先做CFAR再做相参积累，积累窗口错一个距离门，所有目标信息都会偏。第二，字节序与格式。fread时先用小数据量试读，确认I/Q交错方式，再批量处理。第三，测角斜率系数不要猜。angulation.m里的斜率如果没有标定，角度输出会有固定偏移，通常用已知波束指向误差的仿真数据来标定，而不是直接改常数拼结果。

5.3 一个快速验证技巧

在跑CFAR前，先把和通道的一帧数据用imagesc画出来，观察背景是否平滑。如果背景出现明显的竖条纹，多半是相参积累时慢时间窗没加，或者数据里有直流偏置，先减掉直流分量再处理。检查完背景再跑CFAR，检测结果会干净很多。把两个.dat文件按int16读取并重构为复数后，先取一列距离像的幅值，对比processCFAR.m里的门限曲线，确认自己读到的数据和源码设定的虚警率一致。这样整套源码就变成了一个可验证的基线：任何一步改动如果让结果偏离基线，都是引入问题的信号。

本文还有配套的精品资源，点击获取