MATLAB匹配滤波器实现与LFM脉冲压缩

简介：面向通信与信号处理初学者及工程实践者的匹配滤波器学习材料，围绕噪声环境下的最佳接收与信号检测展开，帮助理解匹配滤波器的互相关原理、最大信噪比输出特性，以及如何用 MATLAB 完成从信号生成、噪声添加到滤波与峰值检测的完整验证。压缩包共 2 个文件，以 1 个 m 脚本和 1 个 txt 说明为主，包体仅 822B，轻量便于直接查看与运行，其中脚本对应匹配滤波实现，文本可作辅助参考。已有 4926 人学习下载，说明该主题在课程实验与通信系统入门中关注度较高。读者可据此对照理解滤波器设计 h[n]=conj(x[-n]) 的构造思路，观察高斯白噪声下输出峰值与信号位置、幅度的关系，并以此为模板改写信道模型或信号参数，完成自己的检测实验与结果复现。

1. 从一段被噪声埋掉的回波说起：匹配滤波器到底在做什么

假设你手里有一段接收信号，目标回波的信噪比是 -10 dB，在时域波形上它就是一条毛刺，肉眼根本分不出哪一段是目标、哪一段是噪声。但只要你确知发射的是什么波形，就可以构造一个滤波器，让这段已知波形通过它时输出峰值被顶到最高，而噪声被压下去。这就是匹配滤波器的全部动机：它不是在“滤波去噪”，而是在已知信号形状的前提下最大化输出信噪比。这份 MATLAB 实现围绕的就是这条主线，从最大信噪比准则推出 h(t)=s*(T−t)，再用时域卷积和频域 FFT 两条路把它算出来，最后落到 LFM 线性调频脉冲压缩这个最典型的场景。适合正在做雷达、通信同步、超声测距这类“已知波形检测”的开发者，也适合想把信号处理课上那个公式真正跑出图来的同学。

2. 项目定位与技术栈：这套代码覆盖了匹配滤波的哪几层

2.1 先划清边界：匹配滤波器能解决什么、不能解决什么

很多刚接触这个概念的人会把它当成万能降噪器，拿一段完全未知的信号丢进去，期望输出变干净——结果一定翻车。匹配滤波器的前提非常硬：你必须知道发射波形的完整复包络，包括调制方式、带宽、时宽、初相。它的输出不是“干净的信号”，而是一个相关性度量，峰值出现的位置告诉你“已知波形在哪个时刻出现过”，峰值的高度告诉你“像不像”。所以这套实现的价值点其实有三个：检测（有没有）、测距/测时延（在哪）、以及评估输出信噪比增益（有多可靠）。

明确了这一点，再看工程里常见的三类需求就有对应关系了。雷达和超声测距关心的是时延估计精度，核心指标是主瓣宽度，理论上约等于 1/B，B 是信号带宽；通信同步关心的是相关峰是否足够尖锐、能否在低信噪比下一次命中，核心指标是输出信噪比增益，理论上等于时宽带宽积 BT；而电子对抗、频谱监测这类场景关心的是旁瓣，因为强目标的旁瓣会盖住弱目标，需要加窗把峰值旁瓣比压到 -40 dB 以下。这三类需求在代码里对应不同的参数取舍，也对应后面第 4 章要讲的加窗与失配分析。

需要提前说清楚一个容易误判的地方：匹配滤波器对白噪声最优，对有色噪声只是次优。如果你的接收通道里有明显的窄带干扰或者 1/f 噪声，直接套匹配滤波器，输出信噪比会比理论值差一截，这时候要么先白化，要么改用广义匹配滤波。这份实现默认噪声是复高斯白噪声，做仿真验证是够的，往真实数据上搬的时候记得先看一眼噪声谱。

2.2 目录结构：每个文件负责一段链路

原文没有给出目录清单，按这类教学加工程双用途的项目惯例，我一般会把它拆成“信号生成、滤波器实现、场景仿真、评估绘图”四块，入口脚本只做编排。下面这个结构是我自己复现时用的，职责划分比较清晰，照这个骨架读代码不会迷路：

文件	职责	关键输入输出
run_demo.m	入口脚本，串起全流程，出三张图	无输入，直接运行
gen_lfm.m	生成 LFM 复基带信号	T、B、fs → 复数行向量 s
mf_time.m	时域匹配滤波，卷积实现	接收信号 r、参考 s → 输出 y
mf_freq.m	频域匹配滤波，FFT 实现	接收信号 r、参考 s → 输出 y
add_echo.m	回波建模：时延、多普勒、噪声	时延 tau、频移 fd、信噪比 → 接收信号
plot_result.m	波形、脉压结果、旁瓣对比绘图	信号结构体 → figure
doppler_loss.m	多普勒失配扫描，出损失曲线	频移向量 → 峰值损失 dB
test/test_mf.m	单元测试，校验时域与频域结果一致	无输入，断言输出

这样拆的好处是每个文件都能单独调用。调试的时候我最常干的事是只跑 gen_lfm 加 mf_time，把噪声关掉，看无噪条件下输出是不是一个标准的 sinc 形状——如果不是，问题一定出在滤波器构造或者对齐上，跟噪声无关。这种“先断开噪声、再逐段接回”的排查顺序，比一上来就盯着含噪图看要快得多。

2.3 运行环境与依赖：工具箱不是必需的

整套代码是纯 MATLAB 基础语法加信号处理，不依赖任何付费工具箱的高级函数。核心用到的只有 fft、ifft、conv、hamming、nextpow2 这几个，都是基础内置函数。常见做法是把采样率设成带宽的 4 倍以上，这样 LFM 的瞬时频率不会跑到奈奎斯特边界外面去，波形看起来才不会“糊”。

我一般在 R2018b 以后的版本上跑，主要考虑是隐式扩展和 string 类型的兼容性；如果你的环境更老，注意把数组和标量的运算都写成显式 bsxfun 或者 repmat，别指望自动广播。用 Octave 跑也基本没问题，只是 hamming 返回的窗形状和 MATLAB 略有差异，旁瓣指标会有零点几个 dB 的出入，比对理论值时别死抠。

性能上有个血泪经验：脉压的长度是 N_r + N_s − 1，如果用 conv 直接算，点数上一万就会明显卡顿。所以工程里我习惯让 mf_freq 做主力，mf_time 只在小样本上做正确性对照。频域那条路把 FFT 点数补到 2 的整数次幂，速度快一个数量级，代价只是多了一点补零的内存。

3. 原理拆解：从最大信噪比准则推到 h(t)=s*(T−t)

3.1 柯西-施瓦茨不等式给出的上界

推导这一步绕不开，因为后面所有参数取舍都是从这里来的。设滤波器冲激响应为 h(t)，输入是已知信号 s(t) 加白噪声，噪声双边功率谱密度为 N0/2。在某个采样时刻 t0，输出的信号分量和噪声功率分别是：

信号分量等于 ∫H(f)S(f)e^{j2πft0}df，噪声功率等于 (N0/2)∫|H(f)|²df。两者相除得到输出信噪比，然后对分子用柯西-施瓦茨不等式放缩，上界是 ∫|S(f)|²df 除以 N0/2，也就是 2E/N0，E 是信号能量。等号成立的条件是 H(f) 正比于 S*(f)e^{−j2πft0}，回到时域就是 h(t) = k·s*(t0−t)。

这个结论有两个直接推论，写代码时必须记住。第一，匹配滤波器的冲激响应是参考信号的共轭翻转再平移，翻转这个动作不能省，省了就变成相关而不是卷积，峰值位置会错开一个信号长度。第二，最大输出信噪比只跟信号能量和噪声谱密度有关，跟你选什么波形无关——波形决定的是主瓣宽度和旁瓣结构，也就是分辨率和抗干扰能力，不决定增益。很多人第一次看到“换成 Barker 码增益没变”会觉得代码写错了，其实是理论如此。

3.2 时域实现：卷积还是相关，符号别搞反

时域这条路最直观，也最容易在索引上翻车。核心就三行：把参考信号翻转取共轭，然后和接收信号做卷积。MATLAB 里 conv 默认返回全长，长度是两者之和减一，如果你直接用 'same' 参数，它会从中间截取，导致峰值位置相对真实时延偏移，这个坑在第 5 章会专门讲。

function y = mf_time(r, s) % r: 接收信号（复行/列向量） % s: 参考信号，即发射波形的复包络 % y: 匹配滤波输出，长度 = length(r) + length(s) - 1 h = conj(fliplr(s)); % 共轭翻转：h(t) = s*(-t)，这里取 t0 = 0 y = conv(r, h); % 全长卷积，不做 'same' 截断 % 峰值索引对应时延：idx_peak - length(s) + 1 即为相对起点 end

这段代码的关键在于 h 的构造顺序：先 fliplr 翻转，再 conj 取共轭，两步都不能少，也不能颠倒——对实数信号颠倒无所谓，对复基带信号结果完全不同。参数 t0 我取了 0，等价于把滤波器做成非因果的，输出峰值会出现在 length(s) 附近，工程上补一个固定延迟就能对上物理时间轴。如果你要严格对齐“峰值出现在真实时延处”，就把 h 再右移 length(s)−1 个点，或者干脆在画图时减去这个偏移量，两种做法都对，但一个项目里只能选一种，混用必然对不上。

另外提醒一句，conv 对复数输入是支持的，但如果你从别处拷来的老代码用了 filter 函数，那它的语义是因果滤波，输出会整体滞后，峰值位置又不一样。这两种实现我都见过有人混着用，调了半天以为是噪声问题，其实是滤波器延迟没补偿。

3.3 频域实现：FFT 快速卷积与补零长度

频域这条路是把卷积定理用起来：时域卷积等于频域相乘。注意是相乘之前要对参考信号取共轭，因为卷积对应的是 H(f)=S*(f)，而 FFT 出来的直接就是 S(f)。

function [y, nfft] = mf_freq(r, s) % 频域匹配滤波：等价于 conv(r, conj(fliplr(s))) Lr = length(r); Ls = length(s); nfft = 2^nextpow2(Lr + Ls - 1); % 补零到 2 的幂，避免循环卷积混叠 S = fft(s, nfft); % 参考信号频谱 R = fft(r, nfft); % 接收信号频谱 Y = R .* conj(S); % 频域相乘，共轭即匹配 y = ifft(Y); % 回到时域，理论上为实数或缓变复数 % 取前 Lr + Ls - 1 点即为线性卷积结果，其余是补零带来的冗余 end

补零长度是这段代码唯一需要动脑的地方。nfft 必须大于等于 Lr+Ls−1，否则会发生循环卷积，输出尾部和头部缠绕在一起，表现为“峰值附近出现莫名其妙的第二个峰”，这个现象在低信噪比下特别容易被误判成多径。补到 2 的整数次幂纯粹是为了 fft 快，不是必须的，但在批量处理上千帧的时候这个习惯能省下可观的时间。

还有一点：ifft 出来的结果理论上是实数（因为 |S|² 是实偶对称），但受数值精度影响会带一个极小的虚部。要不要取 real，取决于你后续怎么用。如果只是找峰值位置，取 abs 就行；如果要做相干积累，那必须保留复数，取 real 反而把相位信息扔了。我在两种用法之间来回切过好几次，最后统一约定：mf_freq 返回复数，调用方自己决定取模还是取实部，函数内部不做任何隐式转换。

时域和频域两条路的结果应当完全一致，误差在 1e-10 量级。test_mf.m 里就是拿这个做断言的，如果差异明显，八成是补零长度不够或者共轭漏了。

4. 核心链路：LFM 脉冲压缩从建模到评估

4.1 发射信号与回波建模：把物理量映射成数组下标

LFM 是匹配滤波器最经典的搭档，因为它能在保持大时宽（高能量）的同时用大带宽换来窄主瓣，完美体现了“增益看能量、分辨率看带宽”这条规律。复基带表达式是 s(t)=exp(jπKt²)，其中调频率 K=B/T，t 的取值范围是 [−T/2, T/2)。

function [s, t] = gen_lfm(T, B, fs) % T: 脉冲时宽 (s) B: 带宽 (Hz) fs: 采样率 (Hz) K = B / T; % 调频率 t = (-T/2 : 1/fs : T/2 - 1/fs); % 时间轴，长度 = round(T*fs) s = exp(1j * pi * K * t.^2); % 复基带 LFM end

这段里唯一有讲究的是时间轴的端点处理。用 T/2−1/fs 收尾，保证点数是 round(T·fs)，不多不少。如果写成闭区间到 T/2，点数会多一个，时宽带宽积就偏了，后面算出来的脉压增益跟理论值差零点几个 dB，排查起来很费劲。

回波建模要把三个物理效应都放进去：时延、多普勒频移、噪声。时延是整数采样点就简单，直接在前面补零；非整数时延要上频域相移，或者插值，这一点在第 5 章会讲。多普勒用一个复指数乘上去即可。

function [r, t_r] = add_echo(s, fs, tau, fd, snr_dB) % tau: 时延 (s) fd: 多普勒频移 (Hz) snr_dB: 输入信噪比 Ns = length(s); nDelay = round(tau * fs); % 整数采样点延迟 Ntot = nDelay + Ns + 4*Ns; % 尾部留出余量，避免截断 t_r = (0:Ntot-1) / fs; r = zeros(1, Ntot); r(nDelay+1 : nDelay+Ns) = s .* exp(1j*2*pi*fd*t_r(1:Ns)); % 时延+多普勒 % 按复高斯白噪声注入，噪声功率由 snr_dB 决定 p_sig = mean(abs(s).^2); p_noi = p_sig / (10^(snr_dB/10)); r = r + sqrt(p_noi/2) * (randn(size(r)) + 1j*randn(size(r))); end

参数里最容易错的是 snr_dB 的定义。我这里是按“信号段平均功率 / 噪声平均功率”算的，复噪声分到实虚两路，所以每路除以 2、幅度开根号再除以 sqrt(2)，这个 sqrt(p_noi/2) 的写法在复数噪声下是正确的。如果你按单边带定义，结果会差 3 dB，跟理论增益对上时就会一直差一口气。

4.2 匹配滤波与加窗：旁瓣抑制的代价

不加窗的时候，LFM 经过匹配滤波后的输出近似一个 sinc，第一旁瓣在 −13.2 dB 左右。这个值对单目标测距够用，但一旦场景里有一个强反射体和一个弱目标挨得比较近，强目标的旁瓣就会把弱目标淹掉。工程上的标准动作是加窗，把窗函数乘到匹配滤波器的冲激响应上，等价于在频域做加权。

% 时域加窗匹配滤波（以 Hamming 为例） h = conj(fliplr(s)) .* hamming(length(s)).'; % 窗乘在滤波器上，不是乘在接收信号上 y_win = conv(r, h); % 加窗后的脉压输出

这里有个反直觉的点：窗必须乘在匹配滤波器的冲激响应上，不能乘在接收信号上。乘在接收信号上等于给输入加了幅度调制，改变了信号的谱结构，匹配条件被破坏，输出信噪比反而下降。这个错误我在早期代码里犯过，当时觉得“窗应该加在数据上才对”，结果旁瓣是压下去了，峰值也掉了一大截，白白损失了 1.5 dB 左右。

代价要算清楚：Hamming 窗把峰值旁瓣比压到 −42 dB 附近，但主瓣展宽约 1.5 倍，也就是距离分辨率变差了 50%，同时峰值幅度下降约 1.5 dB，等效输出信噪比损失。所以加不加窗不是“哪个更好”的问题，而是场景决定：单目标测距优先主瓣窄，不加；多目标且动态范围大，加。泰勒窗、凯泽窗可以在这两端之间连续调节，凯泽窗的 β 参数就是干这个的。

4.3 多普勒失配与输出信噪比评估

LFM 有个很好的性质：对多普勒频移有一定的容忍度。因为 LFM 的时频耦合，一个频移 fd 等价于一个时间平移 −fd/K，所以峰值几乎不掉，只是位置漂了一点。但位置漂移在测距里就是误差，而且多普勒失配会抬高旁瓣、展宽主瓣，这才是真正的代价。

fd_list = -20e3 : 2e3 : 20e3; % 多普勒扫描范围 loss = zeros(size(fd_list)); for k = 1:numel(fd_list) [r_d, ~] = add_echo(s, fs, 50e-6, fd_list(k), 20); % 高信噪比，排除噪声干扰 y_d = mf_freq(r_d, s); loss(k) = 20*log10(max(abs(y_d)) / max(abs(y_ref))); % 相对无失配峰值的损失 end

这段代码的关键设计是“高信噪比 + 无噪参考”。如果把噪声放进来，峰值抖动能到 1 dB 以上，把失配损失曲线搅成一团，看不出规律。做这种参数扫描的时候，我习惯先把噪声关掉或者设到 30 dB，把确定性的趋势看清楚，再放开噪声验证鲁棒性，这两步不能合并。

评估输出信噪比增益时，理论值是 10log10(BT)，注意这里是功率比。实测的时候要在输出上找一段纯噪声区算方差，再拿峰值功率去除，别拿峰值除以信号段方差——信号段里有目标，方差被抬高了，算出来的增益会偏小。这个细节在第 5 章还会再提一次，因为它是最常见的“理论和实测对不上”的原因之一。

5. 避坑与排查：五个让结果对不上的细节

5.1 时域对齐与索引类问题

现象：无噪条件下跑 mf_time，输出峰值不在预期的 length(s) 位置，而是偏了差不多半个脉冲宽度，或者干脆出现两个高度接近的峰。

原因：用了 conv 的 'same' 参数。'same' 返回的是卷积结果中间那段，长度与第一个输入一致，起点的定义和你脑子里的物理时间轴对不上，偏移量取决于 r 和 h 谁长。两个峰则是补零长度不够导致的循环卷积混叠，常见于直接手写 fft 而没算 nfft 的情况。

解决：统一用全长卷积 y = conv(r, h)，峰值索引 idx 对应的时延就是 (idx − length(s))/fs。如果一定要用 'same' 省内存，就在注释里写死补偿量，并且写一个断言把偏移校验住，别指望下次还记得。

现象：给复基带信号做匹配滤波，输出峰值位置对，但峰值幅度比预期低很多，甚至接近零。

原因：参考信号只翻转没取共轭。对实信号无所谓，对 LFM 这种复信号，共轭决定了相位是否对齐，漏掉共轭相当于把相关做成了“反相关”，各点的相位贡献互相抵消。

解决：把 h = fliplr(s) 改成 h = conj(fliplr(s))，并且养成习惯——任何地方看到 fliplr 就顺手检查旁边有没有 conj。

5.2 数值、量纲与定义类问题

现象：实测脉压增益比 10log10(BT) 小 3 dB 左右，反复检查代码找不到错。

原因：噪声功率的定义方式不一致。复高斯噪声分到实虚两路，如果你按实噪声的公式生成再叠加，实际噪声功率是目标值的两倍，增益自然少 3 dB。另一种情况是用实信号做仿真，实信号的匹配滤波增益定义和复基带差一倍。

解决：在 add_echo 里显式用 sqrt(p_noi/2) 分配复噪声功率，并在测试里加一条断言——关掉信号只留噪声，统计方差应当等于设定值，误差在 5% 以内。这条断言我现在的每个仿真脚本里都留着。

现象：加了 Hamming 窗以后主瓣明显变宽，峰值也下降了，怀疑窗加错了位置。

原因：这是加窗的固有代价，不是 bug。窗函数在频域展宽了等效带宽，时域主瓣按比例展宽，同时窗的相干增益小于 1，峰值下降。Hamming 的相干增益约 0.54，换算成 dB 就是 −1.5 左右。

解决：先确认窗是乘在 h 上而不是乘在 r 上，然后接受这个代价。如果接受不了，改用泰勒窗把峰值旁瓣比定在 −30 dB，主瓣展宽只有 1.2 倍左右，是个折中。

现象：非整数采样点的小时延，跑出来的峰值位置跟设定值差将近一个采样点，测距误差超标。

原因：时延用 round(tau*fs) 量化到了整数点，量化误差最大半个采样点，对应到距离上就是 c/(2fs) 的一半。采样率不高的时候这个误差很可观。

解决：需要亚采样精度就上频域相移——把参考信号的频谱乘上 exp(−j2πf·Δt)，或者在峰值附近做三点抛物线插值。前者精确但要多一次 FFT，后者便宜但只在主瓣对称时准。我一般先用插值定位，确认量级对了再换频域相移做精修。

6. 二次开发：把这份实现改成你自己的检测器

代码跑通只是起点，真正要用起来一定得改。我把改造路径按难度排了一下，从改动最小到最深：

改造方向	改动点	注意
换波形	只改 gen_lfm，保持接口 (T,B,fs)→s	相位编码信号要注意符号跳变处的带宽
加窗策略	mf_time/mf_freq 内部乘窗	窗长必须等于 length(s)，别用全长 r
批量帧处理	外层套循环，预分配输出矩阵	nfft 提前算好，别在循环里 nextpow2
移植到定点	把复数乘加改成整数运算	先做浮点到定点的位宽仿真，别直接上板
接 CFAR	在 abs(y) 后面接滑窗检测	参考单元要避开主瓣，否则虚警率飙高

如果只做一件事，我建议先把匹配滤波封装成一个统一的函数签名，把时域和频域两条实现藏在同一个接口后面，用一个 mode 参数切换。这样后面接 CFAR、接多帧积累、接 GPU 加速的时候，上层调用完全不用动。接口大致长这样：

function [y, delay_comp] = matched_filter(r, s, mode, win) % mode: 'time' | 'freq' % win : 'none' | 'hamming' | 'taylor' % delay_comp: 滤波器本身引入的固定延迟（采样点），供上层做时间轴校正 switch lower(win) case 'hamming', w = hamming(length(s)).'; case 'taylor', w = taylorwin(length(s), 4, -30).'; otherwise, w = ones(1, length(s)); end h = conj(fliplr(s)) .* w; if strcmpi(mode, 'time') y = conv(r, h); delay_comp = length(s) - 1; else nfft = 2^nextpow2(length(r) + length(s) - 1); y = ifft(fft(r, nfft) .* conj(fft(s .* w, nfft))); y = y(1 : length(r) + length(s) - 1); delay_comp = length(s) - 1; end end

这个封装里最关键的是 delay_comp 这个返回值。以前我图省事不返回它，结果上层画距离轴的时候每次都要重新数一遍偏移量，改一次参数就要改一次绘图代码，来回折腾。后来强制所有实现都返回这个补偿量，绘图统一减掉，再没出过轴对不齐的问题。taylorwin 需要信号处理工具箱，如果没有就自己写一个泰勒窗生成函数，公式不复杂，二十行能搞定。

验证方法上，我的习惯是三步走：第一步，无噪单目标，看峰值位置误差是否小于 0.1 个采样点；第二步，加噪到 0 dB，跑一百次蒙特卡洛，看检测概率是否接近理论值；第三步，两个目标相距 1.5 倍主瓣宽度，看弱目标是否还能从强目标旁瓣里分出来。这三步任何一步不过，都别急着往真实数据上搬。真实数据里的噪声不是白的，通道有幅相不一致，采样钟有偏差，这些在仿真里都体现不出来，先保证仿真链路干净，真出问题时才有个可信的参照系。

从那以后我每次改匹配滤波的实现，哪怕是只动一个窗函数，都强制把这三步验证跑一遍再提交，因为这种“看起来只改了一行”的改动最容易悄悄把对齐关系弄错，等上了真实数据才发现，排查成本翻十倍。希望帮到你。

本文还有配套的精品资源，点击获取