雷达系统里最让人着迷的一环，就是把天线收到的、看似杂乱的电压采样序列，一步步变成"目标在多少米、跑多快"这两个干脆的数字。很多教材把这一步讲成纯公式推导，读完还是不知道代码里该先写哪一行。我打算换个角度：把你摁在示波器前，假设你手里只有一段采样数据，从最原始的时域波形开始，一点点把距离和速度"抠"出来。涉及到的核心关键词包括线性调频（LFM）信号、脉冲压缩、匹配滤波、FFT、距离门、多普勒频移、距离-多普勒图（RD图），这些不是术语装点，而是每一步操作的抓手。
MATLAB在这里扮演的角色不是魔法盒子，它的价值在于让你能把"发射什么波形、混频后长什么样、采样后存成什么矩阵、沿哪个维度做FFT"这几件事想清楚。整个过程适合刚接触雷达信号处理的学生、做感知算法需要快速搭建原型的工程师，以及想把这套链路迁移到其他测距测速场景（比如超声、毫米波传感器）的人。下面我按实际动手的顺序展开，中间插进参数计算的算术、踩过的坑和我自己调通时用的笨办法。
1. 先把"回波从哪来"这张物理图想通再动手写代码
在MATLAB命令窗口敲下第一行代码之前，我见过太多人上来就写fft，结果出来的峰值位置对不上距离，查了半天以为是窗函数问题，其实是对回波的时延、相位这两条物理线索没有分开理解。雷达解算距离和速度，本质上是两条独立的测量通道，只不过它们恰好藏在同一段复采样数据的不同维度里。
1.1 距离藏在时延里，速度藏在相位里
发射一个电磁波出去，碰到目标反射回来，首先变的是到达时间：目标的距离 R 决定了回波比发射信号晚多少。电磁波以光速 c 传播，往返一趟是 2R，所以时延 τ = 2R/c。这是最直观的一层，很多人止步于此。但真正让雷达能测速的是第二个变化——相位。如果目标在动，两路信号在混频之后产生的那点细微相位差会随脉冲序号积累，积累的斜率就是多普勒频率，对应径向速度。
我把这个区别当成整篇文章的地基：快时间维（一个脉冲内部）携带距离，慢时间维（脉冲与脉冲之间）携带速度。理解了这句话，"为什么距离维做一次FFT、速度维再做一次FFT"就顺理成章，而不是背上来的结论。一个脉冲内的采样点间隔是纳秒级，脉冲与脉冲之间是微秒级，正是这种时间尺度的差异让两维处理能彼此独立。
用生活化的说法：距离像是你听回声判断对面墙壁多远，只关心"多晚回来"；速度像是你听迎面开来的车，声音尖不尖（频率高不高）反映了它在靠近还是远离。雷达同时干这两件事，前者靠计时，后者靠比较相邻几次回波的音调变化。
提示：把"时延"和"相位"分开思考之后，遇到距离偏了先查时间基准，遇到速度符号反了先查相位方向，排查范围立刻缩小一大半。
1.2 为什么选线性调频波，而不是单频连续波
单频连续波也能测距，但它依赖相位模糊来分辨距离，测距范围被波长严重限制，而且同时测速和测距会互相纠缠。工程上最常见的选择是线性调频（LFM，也叫chirp）：频率在一个脉冲内从 f0 线性升到 f0+B，扫频带宽 B 直接决定距离分辨率。
这里有个必须理解清楚的算式：距离分辨率 ΔR = c/(2B)。带宽越大，能分辨的两个目标越近。比如 B = 100 MHz，ΔR ≈ 1.5 米；想要 0.3 米分辨率，带宽得上到 500 MHz。这个公式是选波形参数的起点，我在项目里通常是先由"要分辨多近的两个目标"倒推带宽，再决定采样率。
同时 chirp 还带来一个副产品：大带宽信号经过匹配滤波后，能量被压缩成一个窄脉冲，这就是脉冲压缩。发射时可以用较低的峰值功率、较长的脉冲把能量打出去，接收后压缩回窄峰，兼顾了作用距离和分辨率。这是 chirp 相对于单频脉冲的核心优势，也是我在选波形时最看重的点。
1.3 一个脉冲内发生了什么：从发射到差频
为了让后续代码有清晰的物理对应，我把单个脉冲的信号流程走一遍。发射信号是频率随时间线性变化的复信号（工程实现中取实部，但MATLAB仿真用复信号更省事），数学上可写成 s_tx(t) = exp(j·2π·(f0·t + 0.5·K·t²))，其中 K = B/T 是调频斜率，T 是脉冲宽度。
接收到的回波是它的延迟版本，幅度衰减、时延 τ。关键一步是混频（去斜/dechirp）：把回波和发射信号的共轭相乘。这一步在硬件里是一个乘法器加低通，在MATLAB里就是逐点相乘。相乘之后，原本随时间线性上升的频率差变成了一个近似单频的信号，其频率 f_b = K·τ = K·2R/c，这个频率叫差频（beat frequency）。
这个转换的精妙之处在于：距离信息从"到达时间"搬到了"频率"上。时间测量变成频率测量，而频率测量正好可以用FFT高效完成。这就是为什么整个链路里FFT无处不在——它把"数时间"换成了"找频率峰"。理解了这一步，你就明白后面fft出来的峰值索引为什么能换算成距离。
2. 搭建仿真链路：把参数算清楚再写第一行代码
我见过不少同学拿到任务直接抄一段网上的 radar demo，改两个数字就跑，结果量程不够或者速度模糊，回头重来。我的习惯是先在纸上把五个核心参数敲定：带宽、脉宽、采样率、脉冲重复频率、脉冲数。这五个数一旦确定，整条链路的所有维度就都定了，写代码时不会东拼西凑。
2.1 五个核心参数的倒推逻辑
拿一个典型的中近程场景举例，我设定最远探测距离 R_max = 300 米，要求距离分辨率优于 1 米，最大径向速度 60 米/秒。下面是我倒推的过程：
| 参数 | 符号 | 计算依据 | 取值 |
|---|---|---|---|
| 带宽 | B | ΔR = c/(2B)，取 ΔR=1m | 150 MHz |
| 脉宽 | T | 兼顾能量与盲区，取适中 | 10 μs |
| 调频斜率 | K | K = B/T | 1.5×10¹³ Hz/s |
| 采样率 | fs | 需覆盖最大差频，留余量 | 30 MHz |
| 脉冲重复频率 | PRF | 由最大不模糊速度定 | 20 kHz |
| 脉冲数 | N_p | 决定速度分辨率与积累增益 | 128 |
采样率这一项我要多解释几句，因为它最容易设错。差频最大值出现在最远目标：f_b,max = K·2R_max/c。代入 K = 1.5×10¹³、R_max = 300，得 f_b,max ≈ 30 MHz。根据奈奎斯特，采样率至少 60 MHz。但实际中我不会卡着奈奎斯特设，原因有两个：一是差频信号不是严格单频，主瓣有宽度；二是要给抗混叠滤波器留过渡带。不过为了控制数据量，我通常会让采样后的点数落在一个便于FFT的长度，比如把采样率设在差频上限的1.2倍左右，再取整到2的幂次附近的点数。
注意：采样率不是越高越好。fs 提高会等比增加数据量和计算时间，而分辨率由带宽决定，跟采样率无关。采样率只需保证差频不混叠、距离门够细，多采是浪费。
2.2 快时间矩阵的维度怎么摆
这是我在带新人时发现错误率最高的一处：矩阵的行列到底代表什么。我的约定是——行是快时间（一个脉冲内的采样点），列是慢时间（脉冲序号）。也就是数据矩阵 X 的大小是 N_fast × N_p，X(n, m) 表示第 m 个脉冲的第 n 个采样点。
为什么强调这个约定？因为后面做两次FFT时，方向一旦搞反，出来的RD图就是转置的，距离轴和速度轴互换，你还以为是标定错了。我自己的笨办法是在代码开头用注释把维度写死，并且变量名带上_fast和_slow后缀，比如X_fast_slow。这样即使过两周回来看，也不会搞混。
生成数据时，我用两层循环：外层遍历脉冲序号 m，内层生成该脉冲的快时间采样向量，叠加该脉冲对应的目标时延和多普勒相位，然后整列塞进矩阵。这样写虽然不如向量化快，但逻辑一目了然，调试期非常值得。等跑通了，再考虑用repmat或者隐式扩展向量化提速。
2.3 差频信号的生成：一段可以直接跑的骨架
把上面的物理流程翻译成代码，核心就这几步。我把它写成函数骨架，方便你替换参数：
c = 3e8; B = 150e6; T = 10e-6; K = B/T; fs = 36e6; N_fast = round(fs*T); PRF = 20e3; N_p = 128; t_fast = (0:N_fast-1)/fs; % 快时间轴 f_beat_max = K*2*300/c; % 最远目标差频 R_target = 120; v_target = 25; % 目标距离与径向速度 tau = 2*R_target/c; % 时延 fd = 2*v_target/(c/ (c/(2*pi*f0))); % 这里先占位，见2.4节 X = zeros(N_fast, N_p); for m = 1:N_p t_slow = (m-1)/PRF; % 慢时间 % 发射信号（复信号） s_tx = exp(1j*2*pi*( (0)*t_fast + 0.5*K*t_fast.^2 )); % 回波：延迟 + 多普勒相位 + 幅度 tau_m = tau - 2*v_target*t_slow/c; % 距离走动（可选，短CPI可忽略） s_rx = 0.7*exp(1j*2*pi*(0.5*K*(t_fast-tau_m).^2)) ... .* exp(1j*2*pi*fd*t_slow); % 去斜混频：回波乘发射共轭 s_beat = s_rx .* conj(s_tx); X(:, m) = s_beat; end上面这段里fd那一行我故意留了个坑，因为很多网上的例子直接写fd = 2*v/lambda却忘了 f0 从哪来，我下面专门讲载频和多普勒的关系。
2.4 载频、波长与多普勒：那个容易漏掉的 f0
多普勒频率的公式是 f_d = 2·v_r/λ，其中 λ = c/f0 是载波波长。也就是说，你必须先有一个载频 f0，才能把速度换算成多普勒。上面的骨架里我用了占位符，实际中比如取 f0 = 10 GHz（X波段常见），那么 λ = 0.03 米，25 米/秒的目标对应 f_d ≈ 1667 Hz。这个数量级很关键——它远小于 PRF（20 kHz），所以不会速度模糊；但如果速度到 300 米/秒，f_d 就到 20 kHz，正好触及 PRF 边界，开始模糊。
我在项目里一般会算两个指标：最大不模糊速度 v_max = λ·PRF/4，以及速度分辨率 Δv = λ·PRF/(2·N_p)。前者提醒我目标速度不能超，后者告诉我积累多少脉冲才够分辨。这里 λ 在分母还是分子、有没有 2，各教材写法略有差异，建议你以自己的推导链为准，并在代码里用一个小测试反推验证，别死记。
3. 距离解算：从一列采样到一个距离数字
数据矩阵搭好之后，距离解算只发生在快时间维，也就是沿每一列做处理。这一节的思路是：先做脉冲压缩（如果你用的是去斜方案，差频信号本身就是压缩后的结果，直接FFT即可；如果用匹配滤波方案，要先卷积再FFT），然后找峰、换算。
3.1 两种做法的区别：去斜 vs 匹配滤波
这两条路线经常被混为一谈，我要把它们掰开。**去斜（dechirp）**方案里，回波先和发射信号混频变成差频，再做FFT，峰值频率就是 f_b = K·τ，换算距离 R = c·f_b/(2K)。它的优点是采样率只需要覆盖差频带宽而不是信号带宽，数据量小，适合大带宽场景。
匹配滤波方案里，回波直接和发射信号的时间反转共轭做卷积（或用FFT实现快速卷积），输出是一个压缩脉冲，峰值位置直接对应时延 τ，换算 R = c·τ/2。它不需要预先知道目标大概在哪，适用范围更广，但采样率要覆盖整个信号带宽。
我在实际选型时的判断标准是：带宽很大（比如上百MHz）、要做实时处理，优先去斜；带宽中等、目标分布未知、要通用性，用匹配滤波。两种方法在MATLAB里都能几行实现，关键是别把两种的换算公式搞混——去斜找的是频率峰，匹配滤波找的是时间峰，这是最容易张冠李戴的地方。
3.2 沿快时间做FFT并正确换算距离轴
以去斜方案为例，对每一列做FFT，得到距离维的频谱。峰值所在频率 f_peak 换算成距离：R = c·f_peak/(2K)。这里有个细节：FFT输出的频率轴是离散的，第 k 个点对应频率 (k-1)·fs/N_fft（对单边谱）。很多新手直接拿峰值索引当频率用，忘了乘 fs/N_fft，距离就差了一个系数。
我习惯先把频率轴显式构造出来，再画图对照：
N_fft = 4096; X_range = fft(X, N_fft, 1); % 沿第1维（快时间）做FFT f_axis = (0:N_fft-1)*(fs/N_fft); % 频率轴 R_axis = c*f_axis/(2*K); % 换算成距离轴 [~, idx] = max(abs(X_range(:,1))); % 找第一列峰值 R_est = R_axis(idx);实测中 R_est 会和你设定的 120 米有偏差，偏差来源通常是FFT栅栏效应（峰值落在两个频点之间）和采样起点未对齐。解决办法有两个：一是补零增加FFT点数提高频率分辨率，二是对峰值附近做抛物线插值。我一般先用补零到 4096 看一眼大概，需要精确时再加上插值。
3.3 距离分辨率、栅栏效应与插值修正
距离分辨率由带宽定，ΔR = c/(2B)，这是物理极限，任何处理都突破不了。但测量精度可以远好于分辨率，靠的是信噪比和插值。这两者要分清：分辨率是"能不能分开两个目标"，精度是"单个目标测得准不准"。
栅栏效应的本质是：真实峰值频率落在两个离散频点之间，FFT只在离散点采样，峰值被"漏"掉一部分。补零不增加信息，但让频点更密，读出来的峰位置更接近真值。抛物线插值则用峰值点和左右邻点拟合，估计出亚频点位置，公式大致是 δ = 0.5·(P_left - P_right)/(P_left - 2·P_center + P_right)，加到峰值索引上。我在工程代码里通常两种都用：补零负责粗定位，插值负责精修。
提示：补零长度不是随便定的。补到原来的4到8倍通常够用，再多收益递减还占内存。我一般让 N_fft 是 N_fast 的整数倍且为2的幂，方便FFT加速。
4. 速度解算：慢时间维的FFT与相位斜率
距离搞定后，速度的解算发生在慢时间维，也就是沿每一行（固定距离门）跨脉冲做FFT。这一维的采样率是PRF，不是fs，这是个必须刻在脑子里的区别。我第一次做的时候就栽在这，把fs代进去算多普勒轴，速度差了上千倍。
4.1 为什么慢时间维做FFT就能出速度
回到物理：目标以径向速度 v 运动，每个脉冲回波的相位相对于上一个脉冲会多转 2π·f_d/PRF 的角度，其中 f_d = 2v/λ。把同一距离门上 N_p 个脉冲的复数值排成一列，它们就是一个频率为 f_d 的复正弦序列（采样率PRF）。对这个序列做FFT，峰值频率就是 f_d，换算速度 v = f_d·λ/2。
这里的关键理解是：距离门锁定了同一个距离单元，只有同一目标在里面的相位在随脉冲变化。如果不先做距离维处理、不锁定距离门，直接把整个矩阵沿慢时间FFT，不同距离的目标会混在一起。所以正确顺序永远是先距离后速度，这也是RD图两个轴的处理顺序。
4.2 多普勒轴的正确构造与速度换算
和距离轴一样，多普勒轴也要显式构造，而且要注意FFT的频移特性。对 N_p 点FFT，频率轴范围是 -PRF/2 到 PRF/2（经过fftshift之后）。速度轴则是 v = f_d·λ/2。我一般这样写：
X_rd = fftshift(fft(X_range, N_p, 2), 2); % 沿第2维（慢时间）做FFT并移位 fd_axis = (-N_p/2 : N_p/2-1)*(PRF/N_p); % 多普勒频率轴 v_axis = fd_axis*(lambda/2); % 速度轴注意fftshift的位置和维度参数，少写一个 2 就会沿错误维度移位，图看起来"歪"了但很难一眼看出原因。还有lambda要用载频算出来的真实波长，别用别的近似。
4.3 速度模糊、盲速与PRF的取舍
速度不是想测多快就测多快，受 PRF 限制。最大不模糊速度 v_max = λ·PRF/4。想要测更快，要么提高PRF，要么用多PRF解模糊。提高PRF的代价是最大不模糊距离变小（R_max = c/(2·PRF)），这两者是一对矛盾：PRF越高，测速范围越大但测距范围越小。
另一个坑是盲速：当目标多普勒频率正好是PRF的整数倍时，慢时间序列看起来是静止的，速度测不出来。工程上用参差PRF或频率捷变来规避。我在仿真里如果发现某个速度的目标"消失"了，第一反应就是检查它是不是落在盲速点上。
| 指标 | 公式 | 受什么限制 |
|---|---|---|
| 最大不模糊距离 | c/(2·PRF) | PRF越高越小 |
| 最大不模糊速度 | λ·PRF/4 | PRF越高越大 |
| 距离分辨率 | c/(2B) | 带宽越大越好 |
| 速度分辨率 | λ·PRF/(2·N_p) | 积累脉冲越多越好 |
这张表我贴在工位上过，因为四个指标两两之间存在牵制，调参时很容易顾此失彼。实际项目里通常是先锁定最硬的需求（比如必须看到300米），再在这个约束下优化其他指标。
5. 拼出RD图：一眼看懂目标在哪、跑多快
把距离维和速度维的处理串起来，得到的二维结果就是距离-多普勒图（RD图）。这张图是雷达信号处理的"体检报告"，横轴距离、纵轴速度（或多普勒），亮点就是目标。它的价值在于：多个目标、杂波、噪声在同一张图上各占其位，你能直接读出每个目标的距离和速度。
5.1 二维FFT的维度顺序与fftshift的坑
前面其实已经把两步做完了：先沿第1维（快时间）FFT得到距离谱，再沿第2维（慢时间）FFT得到多普勒谱。顺序理论上可交换，但我习惯先距离后速度，因为可以先在距离维做门限筛选，减少后续计算量。
坑主要在fftshift：距离维通常不需要移位（差频是正的），速度维需要移位把零频放到中间。两个维度的处理不对称，别图省事对整体做一次shift。我踩过的具体坑是：对fft的结果先fftshift了距离维，结果距离轴从中间开始，画出来的图左右颠倒，排查了好久才发现是多余的移位。
5.2 用imagesc把结果画出来并叠加坐标轴
画图这一步看似简单，但坐标轴标错会让整张图失去意义。我的做法是把之前构造好的 R_axis 和 v_axis 一起传给 imagesc：
figure; imagesc(R_axis, v_axis, 20*log10(abs(X_rd))); xlabel('距离 (m)'); ylabel('速度 (m/s)'); title('距离-多普勒图'); colorbar; axis xy;axis xy不能忘，否则纵轴方向反了，正速度跑到下面去。用20*log10转dB是为了让弱目标也能看出来，线性幅度下强目标的旁瓣容易把弱目标盖住。实测中如果目标很弱，可以先把噪声底去掉再做动态范围压缩，比如把低于最大值30dB的部分截掉。
5.3 从图上读数验证：距离和速度是否对得上设定值
图出来之后必须做闭环验证：图上峰值的位置换算回距离和速度，和你设定的 120 米、25 米/秒对比。如果距离对但速度符号反了，多半是慢时间相位符号或fftshift方向问题；如果速度大小差一倍，检查 λ/2 有没有漏；如果距离整体偏移一个常数，检查采样起点和时延定义。
我调通这套链路时用了个笨办法：把目标设成一个已知的简单值（比如正好落在某个距离门中心、速度为零），先确认零速目标在RD图上是水平居中的一条亮线，再加非零速度看它上下移动的方向对不对。这种"分步验证"比一次性调所有参数高效得多。
6. 实测中那些公式不会告诉你的坑
理论链路跑通只是开始，真正让我掉头发的是下面这些工程细节。它们不在教材里，但每一个都能让你多熬两个晚上。
6.1 距离走动与越距离单元
当目标速度快、积累时间（CPI）长时，目标在一个CPI内移动的距离可能超过一个距离单元，这叫距离走动（range walk）。后果是能量散到多个距离门上，RD图上的峰被拉平、幅度下降，测速精度也受影响。判断标准：走动距离 v·CPI 是否大于 ΔR。如果大于，就得做走动补偿（比如Keystone变换，或者简单的包络对齐）。
我在仿真里第一次遇到这个问题时，看到峰值莫名其妙变矮，还以为是加窗加的。后来算了一下 v·CPI = 25 × 128/20000 ≈ 0.16 米，小于1米分辨率，所以本例不明显；但如果速度到 300 米/秒、CPI 再长点，就必须处理了。
6.2 加窗的取舍：旁瓣压低与主瓣展宽
不做加窗（矩形窗）时，强目标的旁瓣会淹没有用信号，尤其在多目标场景。加汉明窗或汉宁窗能压低旁瓣，代价是主瓣展宽、分辨率略微下降。这是一个取舍，没有标准答案，取决于你的场景里弱目标离强目标多近。
我的经验：如果动态范围要求高（强弱目标共存），加窗；如果只关心单个强目标的位置精度，可以不加，靠补零和插值。加窗的位置也有讲究——加在FFT之前的时域数据上，不是加在频谱上。
6.3 复数信号与实信号：仿真里的一个便利假设
我在骨架里用了复信号exp(1j*...)，这在仿真里很省事，但真实系统里ADC采的是实信号，会有正负频率的镜像。处理实信号时要注意：频谱对称、差频的正负号、以及是否需要希尔伯特变换构造解析信号。如果你的仿真结果比实测"干净"太多，很可能就是这个复信号假设带来的差异。
注意：从仿真迁移到实测时，务必确认数据是实采样还是正交解调后的I/Q两路。I/Q是复数，可以直接套用本文流程；实采样要先做正交化或解析信号构造，否则多普勒符号会出错。
6.4 噪声、杂波与门限检测
仿真里加噪声用awgn很方便，但真实环境还有杂波（地物、气象）。杂波在RD图上往往集中在零多普勒附近（静止杂波），可以用MTI（动目标显示）或对消滤波器抑制。检测门限则常用CFAR（恒虚警），保证不同噪声水平下的虚警率稳定。这两块展开又是大话题，我这里只提醒一句：别用固定门限，环境一变就不适用了。
7. 把这套链路迁移到别的场景时要注意什么
雷达的这套"时延测距、多普勒测速"思想，其实能迁移到很多其他传感场景。我做过的迁移里，有几个共性问题值得提前说。
7.1 换传感器先换波速和波长
超声、毫米波、激光，物理框架一样，但 c 换成了声速（约340米/秒）或光速，λ 跟着变。声速比光速小六个数量级，同样的距离时延大得多，采样率和时间窗的设计完全不同。迁移时第一步永远是重算 c、λ 和由此派生的所有分辨率公式，别直接改数字了事。
7.2 采样率、带宽与计算量的三角权衡
任何场景下，这三个量都互相牵制：带宽决定分辨率，采样率决定不混叠和距离门细度，计算量随两者增长。MATLAB仿真时感觉不到压力，但迁移到嵌入式平台就要精打细算。我的做法是先在MATLAB里把链路跑通、把精度验证到位，再逐步降采样、减点数，看精度掉多少，找到一个可接受的平衡点。
7.3 从仿真到硬件的验证顺序
我推荐的验证顺序是：先用理想无噪数据验证换算公式，再加噪声验证检测，再加多目标验证分辨，最后用实测数据验证标定。每一步只引入一个新变量，出错时容易定位。直接上实测数据调参，往往越调越乱。
这套链路我从第一次写到现在，改过无数版，最大的体会是：公式只是地图，真正的路要靠一段段数据走一遍。MATLAB的好处是让你能随时停下来看中间结果——差频信号长什么样、距离谱的峰在哪、RD图上的亮点动不动。把这些中间结果都画出来看一遍，比背十遍公式都管用。如果你跑到某一步结果不对，先别怀疑理论，多半是维度、fftshift方向或者某个换算系数漏了，回头对着本文的参数表逐个核对，基本都能揪出来。
