企业官网建设流程全解析

距离多普勒谱（RD谱）绘制方法及理解

做雷达信号处理的朋友，应该都绕不开距离多普勒谱（Range-Doppler Map，简称RD谱）这个基础概念。无论你是做车载毫米波雷达、安防雷达，还是做SAR成像、目标识别，RD谱都是最常打交道的中间产物。它把回波信号在距离维和多普勒维上联合表示，一张二维图上就能看出目标在哪个距离、以什么速度运动、大概有多强，是后续做检测、跟踪、聚类的数据基础。这篇文章我把RD谱从原理到Matlab实现的完整链路拆开讲清楚，面向刚接触雷达信号处理的学生，以及在实际项目中需要把RD谱真正跑通的工程师。

我自己最早接触RD谱的时候，最困惑的就是两个问题：一个是距离维的匹配滤波和FFT到底是什么关系，另一个是多普勒维为什么对慢时间做FFT就能得到速度。这两个点一旦想明白，整个RD谱的绘制流程就顺了。所以这篇文章在讲具体代码之前，会先把物理概念和数据组织方式讲透，再给你一套可以直接跑通的Matlab实现，最后把工程中常见的坑逐个列出来。

1. 距离多普勒谱的核心概念与物理理解

1.1 距离维：脉冲压缩是怎么把时间变成距离的

雷达发射的通常是线性调频信号（LFM），也就是我们常说的chirp。它在脉冲持续时间内频率线性变化，发射信号可以写成：

s_tx(t) = A * exp(1j * (2*pi*fc*t + pi*K*t^2));

这里的K是调频斜率，fc是载频。发射信号打到目标再反射回来，接收到的回波相当于发射信号的一个延时副本，延时量就是2R/c，R是目标距离，c是光速。

如果我们直接用脉冲宽度Tp去衡量距离分辨率，那结果会非常差。举个例子，脉冲宽度1微秒，对应的距离分辨率是c*Tp/2 = 150米。这根本没法用。所以我们要对回波做脉冲压缩处理，也就是匹配滤波，把宽脉冲变成窄脉冲，距离分辨率就变成c/(2B)，其中B是信号带宽。带宽200MHz时，距离分辨率就是0.75米，效果完全不同。

做脉冲压缩有频域和时域两种实现方式。实际工程中几乎都用频域方式，因为时域卷积在数据量大时算不过来。频域脉冲压缩的流程是：

1. 对发射信号做FFT得到频域参考信号
2. 对回波信号做FFT
3. 两者共轭相乘
4. 对结果做IFFT回到时域

这里有个关键细节：匹配滤波的本质是求回波与发射信号的相关性。如果目标有速度，回波会带有多普勒频移，导致匹配滤波输出峰值有所损失，这就是后面需要做多普勒维处理的原因之一。

1.2 多普勒维：为什么对慢时间做FFT能提取速度

接收到的回波经过脉冲压缩之后，每个脉冲得到一个距离像（range profile）。如果我们连续发射M个脉冲，就会得到M个距离像，把它们按脉冲序号堆叠起来，就形成了一个二维矩阵：一个维度是距离，对应快时间（fast time），一个维度是脉冲序号，对应慢时间（slow time）。

为什么目标运动会体现在慢时间维度上？因为目标与雷达之间的径向运动会导致每个脉冲的相位发生变化。设目标径向速度为v，那么相邻两个脉冲之间，目标距离变化了v*PRI（PRI是脉冲重复间隔），对应的相位变化是4*pi*v*PRI/lambda。这个相位变化在慢时间维上是一个线性变化的相位，相当于一个单频信号，其频率就是多普勒频率fd = 2*v/lambda。

所以对慢时间维做FFT，实际上是在估计这个单频信号的频率，从而反推出目标速度。这个过程在工程上叫相参积累，也叫多普勒滤波或MTD（Moving Target Detection）。做完之后，我们就得到了一个二维矩阵，横轴是距离，纵轴是多普勒频率（或者直接换算成速度），这个矩阵就是RD谱。

1.3 RD谱的物理意义与实际用途

RD谱本质上是一个二维复矩阵，每个元素包含幅度和相位信息。幅度图通常用dB表示，颜色从蓝到红表示能量从低到高。一个目标在理想情况下会在RD谱上形成一个峰值点，峰值的横坐标是它的距离，纵坐标是它的速度。

RD谱的价值在于它把检测问题从一维扩展到了二维。单看距离像，你只能知道某个距离上有目标，但分不清它是静止的还是运动的，更分不清两个相同距离不同速度的目标。而RD谱天然地把这两个维度分离了，静止目标和运动目标会落在不同的多普勒单元上，即使是同一距离单元，只要速度有差异，也能在RD谱上分离开来。

在实际系统中，RD谱之后通常接一个CFAR检测器，在二维平面上做恒虚警检测，找出的峰值点就是潜在目标。再往后就是测角、跟踪、聚类。所以RD谱画得对不对、质量好不好，直接影响整个雷达信号处理链路的性能。

2. 数据组织与处理链路设计

2.1 快时间与慢时间矩阵的构建

要绘制RD谱，第一步是把ADC采样数据组织成二维矩阵。我先说一下数据采集的时序，方便大家理解。

雷达发射脉冲的时序是这样的：每发射一个脉冲，ADC在接收窗口内采样N个点，这N个点就是快时间维。发射完第一个脉冲后，间隔一个PRI再发射第二个脉冲，再次采样N个点。如此重复M次，我们就有M个脉冲，每个脉冲包含N个采样点。把这些数据按行排列，得到一个M x N的矩阵：

• 每一行对应一个脉冲，由N个快时间采样点组成
• 每一列对应某个特定的快时间采样时刻，但有M个不同的脉冲值

在Matlab里，这个矩阵通常表示为raw_data，维度是M行N列。注意行和列的顺序很重要，很多人后面算FFT时维度搞反了，结果画出来的图维度对不上，就是因为这里没有定义清楚。

我习惯用这样的命名规范：

% raw_data维度: num_pulse x num_samp % num_pulse: 慢时间维（脉冲数） % num_samp: 快时间维（每个脉冲的采样点数）

这个矩阵的构建通常是这样的：

num_pulse = 128; % 慢时间维脉冲数 num_samp = 2048; % 快时间维采样点数 raw_data = zeros(num_pulse, num_samp); for pulse_idx = 1:num_pulse raw_data(pulse_idx, :) = receive_single_pulse(); % 获取一个脉冲的回波数据 end

如果你的数据是模拟仿真生成的，那就是直接生成一个二维矩阵；如果是实采数据，通常需要从数据流中按PRI截断重组，这一步要注意同步问题。

2.2 RD谱处理链路的整体框图

RD谱的完整处理链路从原始ADC数据开始，到输出二维RD谱结束，中间大致经过下面这些步骤：

1. 距离维FFT（脉冲压缩）：对每一个脉冲（矩阵的每一行）做频域匹配滤波
2. 多普勒维FFT：对距离压缩后的矩阵，沿慢时间维（每一列）做FFT
3. 取模与幅度转换：计算复数幅度，并转换为dB尺度
4. 坐标轴映射：把矩阵的行列序号换算成距离和速度

简单总结就是：先快时间维做脉冲压缩，再慢时间维做多普勒FFT。这个顺序不能搞反，因为脉冲压缩需要用到每个脉冲自身的频域参考信号，而多普勒FFT是基于脉冲间相位关系的。

2.3 加窗处理与加窗时机

在实际系统中，直接做FFT会在目标旁边产生比较高的旁瓣，这会掩盖附近的小目标，也会提高虚警率。解决方案是加窗函数，常见的有汉明窗、汉宁窗、布莱克曼窗等。

加窗的位置有两处：距离维脉冲压缩时，可以在匹配滤波前对回波加窗（或者对频域参考信号加窗），主要用来压低距离维旁瓣；多普勒维FFT前，对慢时间数据加窗，主要用来压低多普勒维旁瓣。

我的经验是，距离维的窗函数选择要跟发射信号形式配合。如果是LFM信号，通常在频域加窗等效于对匹配滤波输出加窗，这个窗函数可以是汉明窗或者更低的旁瓣窗。多普勒维加窗则要考虑多普勒分辨率和旁瓣的折中。

加窗会带来一个副作用：主瓣变宽，导致分辨率下降。汉明窗的主瓣宽度大约是矩形窗的两倍，也就是说它会把距离分辨率或速度分辨率牺牲约一倍。所以加不加窗、加什么窗，要看你的系统跟要求——如果目标间距很近，不加窗或者用主瓣窄的窗；如果要求旁瓣低，那只能接受主瓣变宽。

3. 完整实作：Matlab绘制RD谱

3.1 仿真参数设定与信号生成

下面给出一套完整的Matlab仿真代码。我们先生成模拟的雷达回波，再逐步处理得到RD谱。参数设计如下：

%% 参数设置 fc = 77e9; % 载频 77GHz（毫米波雷达常用频段） c = 3e8; % 光速 lambda = c / fc; % 波长 Tp = 40e-6; % 脉冲宽度 40微秒 B = 200e6; % 信号带宽 200MHz K = B / Tp; % 调频斜率 fs = 10e6; % 采样率 10MHz num_samp = 512; % 快时间采样点数 PRT = 100e-6; % 脉冲重复周期 100微秒 num_pulse = 256; % 脉冲数 target_num = 3; % 目标个数

这里把三个目标设定在不同距离和不同速度上：

%% 目标参数 % 目标1: 距离150m, 速度10m/s (远离雷达) % 目标2: 距离300m, 速度-20m/s (靠近雷达) % 目标3: 距离200m, 速度0m/s (静止目标) target_range = [150, 300, 200]; target_vel = [10, -20, 0]; target_rcs = [1, 0.8, 0.5]; % 相对幅度，模拟不同RCS

产生原始回波数据：

%% 产生回波 t_fast = (0:num_samp-1) / fs; raw_data = zeros(num_pulse, num_samp); for m = 1:num_pulse for k = 1:target_num R = target_range(k) + target_vel(k) * (m-1) * PRT; tau = 2 * R / c; phase = -2*pi*fc*tau; % 回波是发射信号的延时版本，这里简化为复正弦形式 raw_data(m, :) = raw_data(m, :) + target_rcs(k) * exp(1j*phase) * ... exp(1j*2*pi*K*tau*t_fast) .* ... exp(-1j*pi*K*t_fast.^2); end end

这段代码里，我直接用了解析形式的回波公式，方便初学者看清相位关系。实际采集的回波会更复杂，但数学本质是一样的。

3.2 距离维脉冲压缩的实现

脉冲压缩的频域实现方式如下：

%% 距离维脉冲压缩 % 生成发射参考信号 t_ref = (0:num_samp-1) / fs; ref_signal = exp(1j*pi*K*t_ref.^2); % LFM基带信号 ref_freq = conj(fft(ref_signal, num_samp)); % 频域匹配滤波器 range_compressed = zeros(num_pulse, num_samp); for m = 1:num_pulse sig_freq = fft(raw_data(m, :), num_samp); range_compressed(m, :) = ifft(sig_freq .* ref_freq, num_samp); end

这一步做完，每一行都是一个距离像，峰值位置对应的就是目标所在的距离单元。

也可以不用循环，直接用矩阵运算提高效率：

range_compressed = ifft(fft(raw_data, num_samp, 2) .* ref_freq, num_samp, 2);

fft的第三个参数指定在哪个维度操作，这里2表示沿快时间维（列方向）运算，而1表示沿慢时间维（行方向）运算。这个技巧在Matlab里很常用，能省掉很多循环。

3.3 多普勒维FFT与坐标映射

脉冲压缩完成后，对慢时间维做FFT：

%% 多普勒维FFT win_doppler = hamming(num_pulse); % 多普勒维加窗 range_compressed_win = range_compressed .* repmat(win_doppler, 1, num_samp); rd_spectrum = fftshift(fft(range_compressed_win, num_pulse, 1), 1);

这里有两个容易出错的地方：

1. fft默认沿第一个非单一维度运算。如果range_compressed是num_pulse x num_samp，直接fft(rd_compressed)会沿第1维（慢时间维）做FFT，得到的结果是对的，但为了可读性我建议显式指定维度参数。
2. fftshift必须指定维度，否则在多维矩阵上默认会把所有维度都shift一遍，结果就乱了。这里fft(..., 1)之后矩阵维度还是num_pulse x num_samp，所以fftshift(..., 1)只沿慢时间维度shift。

做完之后，rd_spectrum就是RD谱的复数矩阵。接下来取模转dB：

rd_abs = abs(rd_spectrum); rd_log = 20*log10(rd_abs + eps); % 加eps防止log10(0)产生-inf

3.4 距离轴和速度轴的标定计算

这是很多人容易犯迷糊的地方。RD谱矩阵的行索引对应的是多普勒频率，列索引对应的是距离，但要显示横纵坐标，必须换算成物理量。

距离轴的计算：

• 采样率fs对应每个快时间采样点的时间间隔是1/fs
• 距离间隔是c / (2*fs)
• 第n个距离单元对应的距离是n * c / (2*fs)，注意n从0开始

range_axis = (0:num_samp-1) * c / (2*fs);

速度轴的计算稍微复杂一些。多普勒频率与速度的关系是fd = 2*v/lambda，而FFT的频谱范围是-PRF/2到PRF/2，其中PRF = 1/PRT。对应的速度范围就是-lambda*PRF/4到lambda*PRF/4。

PRF = 1 / PRT; vel_res = lambda * PRF / (2 * num_pulse); % 速度分辨率 vel_axis = (-num_pulse/2 : num_pulse/2 - 1) * vel_res;

注意速度分辨率的公式是lambda / (2 * num_pulse * PRT)，它的物理含义是：相参积累时间num_pulse*PRT越长，速度分辨率越高。

显示RD谱的完整代码：

%% 绘制RD谱 figure; imagesc(range_axis, vel_axis, rd_log); xlabel('距离 (m)'); ylabel('速度 (m/s)'); title('距离多普勒谱 (RD谱)'); colorbar; axis xy; % 让y轴方向从下往上递增 clim([-20, 40]); % 根据实际动态范围调整

axis xy这个命令很关键，默认imagesc的y轴方向是反的，不处理的话图会上下颠倒。

4. 核心参数设计与分辨率计算

4.1 距离分辨率的推导与验证

距离分辨率由信号带宽决定，公式是delta_R = c / (2*B)。为什么是这个公式？因为匹配滤波输出主瓣宽度大约是1/B（时域），乘以速度c/2就是距离上的宽度。

我之前用的参数B = 200MHz，对应的距离分辨率是：

delta_R = 3e8 / (2 * 200e6) = 0.75米

这个值决定了RD谱上距离维能区分两个目标的最小间隔。如果两个目标距离差小于0.75米，它们在RD谱上会耦合成一个峰，无法分辨。

这里要特别提醒一下：距离维FFT的点数并不影响距离分辨率，只影响采样点在距离轴上的显示粒度。很多人以为把FFT点数加大就能提高分辨率，这是不对的。FFT点数只相当于插值，让峰值看起来更圆滑，但两个目标能不能区分，还是靠带宽决定的物理分辨率。

4.2 速度分辨率的推导与验证

速度分辨率由相参积累时间决定，公式是delta_v = lambda / (2 * T_coherent)，其中T_coherent = num_pulse * PRT是相参积累时间。

用前面的参数计算：

lambda = c / fc = 3e8 / 77e9 ≈ 0.0039米 T_coherent = 256 * 100e-6 = 0.0256秒 delta_v = 0.0039 / (2 * 0.0256) ≈ 0.076米/秒

所以这组参数下，速度分辨率大约是0.076m/s，相当高。但是要注意，速度分辨率高不代表最大测速范围大，这两个指标是矛盾的。

4.3 最大不模糊距离与最大不模糊速度

脉冲多普勒雷达存在一对固有的矛盾：最大不模糊距离和最大不模糊速度互相制约。

最大不模糊距离由PRT决定：

R_max_unamb = c * PRT / 2

如果目标距离超过这个值，它的回波会落入下一个脉冲的接收窗口，产生距离模糊。

最大不模糊速度由PRF决定：

v_max_unamb = lambda * PRF / 4

如果目标速度超过这个值，多普勒频率会超过PRF/2，发生速度模糊。

把两个公式联立：

R_max_unamb * v_max_unamb = (c * PRT / 2) * (lambda / (4*PRT)) = c * lambda / 8

这个乘积只由载频决定，与PRF无关。所以在单载频脉冲多普勒雷达里，距离和速度的测量范围不可兼得。实际工程中的应对手段有：变PRF、多载频、或者用调频连续波体制来兼顾。这也是为什么很多车载雷达用FMCW而不是单脉冲的原因。

4.4 参数耦合关系与工程权衡实例

我在一个实际项目里遇到过这样的情况：客户要求最远探测距离200米，最大速度50m/s，速度分辨率优于0.1m/s。

首先算PRT：根据最大不模糊距离，PRT < 2*200/c ≈ 1.33微秒，对应的PRF > 750kHz。 再看最大不模糊速度：v_max = lambda*PRF/4 > 50，如果载频是24GHz（lambda=0.0125m），需要的PRF > 16kHz。 这两个约束同时满足吗？PRF > 750kHz意味着PRT极短，而PRF > 16kHz意味着PRT < 62.5微秒，也就是PRF > 16kHz即可，但距离不模糊要求PRF < 750kHz，这个范围很宽，看起来可行。

但实际上还有更多约束，比如接收窗口必须小于PRT，要留出发射脉冲的保护时间。在24GHz、200米探测距离的情况下，接收窗口为2*R/c = 1.33微秒，而如果PRF选择50kHz（PRT=20微秒），那接收窗口只占PRT的6.7%，占空比很低。这种情况下平均发射功率会被限制，探测性能会受影响。

我当时的做法是降低PRF到20kHz，用相参积累时间来满足速度分辨率：T_coherent = lambda/(2*0.1) = 0.0625秒，需要的积累脉冲数是0.0625/50微秒 = 1250个，这个脉冲数做FFT完全可行。最终选的参数是PRF=20kHz、128个积累脉冲，速度分辨率为0.0125/(2*128*50e-6) ≈ 0.98m/s，虽然没有达到0.1m/s那么好，但配合工程现实已经够用。

这里就看出来，参数设计从来不是套公式，而是根据系统指标反复迭代权衡的过程。RD谱画出来只是结果，参数怎么选才是真正的功力所在。

5. 常见问题与调试技巧

5.1 峰值位置偏移：距离门对齐问题

画出来的RD谱和目标真实距离对不上，这个问题出现的频率非常高。排查思路一般是：

先看目标位置偏移量是不是固定值。如果固定偏移了N个单元，那大概率是快时间起点没对齐。接收窗的开启时刻必须和发射脉冲对齐，如果接收窗晚开了delta_t，所有目标的距离都会偏移c*delta_t/2。

还有一种情况，就是脉冲压缩时参考信号长度和回波长度不一致。我用num_samp = 512做FFT，但实际发射信号长度可能只有400个采样点，这时需要在参考信号后面补零到512点，否则匹配滤波结果会不准确。

排查这类问题，我建议先在近距离放一个角反（或者仿真里放一个已知距离的强目标），直接看RD谱的峰值位置，反推偏移量，然后在代码里补偿掉。这个方法最直观，也最容易定位问题。

5.2 多普勒维出现镜像分量

做完多普勒FFT之后，在正负速度对称的位置各出现一个大小差不多的峰。这个现象通常有两个原因：

第一个原因是I/Q通道不平衡。雷达接收机需要正交解调得到I/Q两路信号才能区分正负多普勒。如果两路增益不一致或者相位不正交，镜频抑制比就会下降，真实目标的正频分量就会泄漏到负频位置。

第二个原因是在仿真里用了实信号。如果你用cos而不是exp(1j*...)来表示回波，那频谱天然就是正负对称的，因为实信号的傅里叶变换共轭对称。所以仿真中回波一定要用复指数形式，这也更接近真实雷达的基带信号特性。

判断是哪种原因造成的，可以分别测试：把目标速度设为0，如果0频附近还有对称分量，那多半是I/Q不平衡；如果是仿真代码，直接审查信号产生那一段是不是用了cos。

5.3 零频附近的直流分量干扰

静止目标和慢速目标的回波会落在多普勒零频附近，但实际系统中零频附近还有很强的直流分量，来源包括：天线收发隔离度不够造成的直流泄漏、I/Q偏置失调、以及环境中的静止杂波。这些直流分量会在零频处形成一个很宽的峰，把低速目标淹没掉。

常规的处理手段是MTI（Moving Target Indicator），也就是做一个延迟对消器，把慢时间维上的直流和低速分量滤掉。最简单的两脉冲对消是：

mti_output = range_compressed(2:end, :) - range_compressed(1:end-1, :);

做完MTI再做多普勒FFT，零频附近的杂波会被显著抑制。但代价是低速目标的信号也会被部分抑制，这是不可避免的。具体的处理策略取决于你的应用场景：如果要检测低速目标，就不能用MTI，得靠更好的杂波抑制算法，比如动目标检测（MTD）时的零频置零处理，或者使用更长的相参积累来压低杂波基底。

5.4 距离维脉冲压缩后噪声基底过高

脉冲压缩之后噪声基底高，画出来的RD谱整片都是红的。这个问题我在做24GHz雷达时遇到过，排查下来有两个原因：

一是接收机噪声系数太差，导致信噪比过低。这种情况靠信号处理解决不了，只能从硬件上找问题，检查低噪声放大器的增益和噪声系数。

二是没有做合适的窗函数处理。脉冲压缩时如果不加窗，LFM信号的旁瓣在距离维会延伸很远，看起来就像噪声基底抬高。加个汉明窗，问题往往就解决了。

三是发射信号和参考信号不完全匹配。比如发射信号有相位误差、幅度纹波，或者频率源有非线性，都会导致匹配滤波输出出现额外杂散。遇到这种情况，可以在系统里加一个校准回路，把发射信号直接耦合回来作为参考信号，让匹配滤波器跟着实际的发射信号走，而不是用理论上的理想信号。

5.5 常见问题速查表

5.6 调试RD谱的三个小技巧

最后分享几个调试时非常实用的小技巧。

第一个是加一个“已知参考目标”。在调试信号处理链路时，放一个距离和速度都精确已知的目标（实际测试用角反，仿真里直接写死参数），用RD谱上的峰值位置去反推整个链路的延迟偏移和频率偏移。这样能快速定位问题在硬件还是算法。

第二个是分步观察中间结果。很多人画完RD谱发现不对，就直接从头开始改，这样效率极低。我的习惯是先看原始回波和参考信号的频谱是否对得上，再看脉冲压缩后的距离像峰值位置是否正确，最后才看多普勒维的结果。每步都确认无误后再进入下一步，问题范围一下就缩小了。

第三个是通过改变一个参数观察现象。在仿真中，把速度参数改成0，看RD谱是什么样；把距离改成两倍，看偏移是否线性变化。这种单变量测试能快速验证你的坐标映射和数据组织是否正确。比如你把目标速度设成0，频谱在零频位置是一个峰值，那就说明多普勒维的方向和数据组织大概率是对的。

6. 距离走动补偿与非线性调频信号扩展

6.1 什么是距离走动，什么时候需要考虑

前面讲的RD谱处理是基于一个假设：在相参积累时间内，目标一直待在同一个距离单元里。这个假设在大部分情况下成立，但如果目标速度够快、积累时间够长，目标在积累期间会跨过多个距离单元，这个现象叫距离走动（range walk）。

判断是否需要补偿距离走动，可以用一个简单标准：积累时间内目标移动的距离是否超过距离分辨率的一半。目标在T_coherent内移动的距离是v * T_coherent，如果这个值大于delta_R/2，就需要考虑补偿了。

举例来说，距离分辨率0.75米，目标速度30m/s，积累时间20毫秒，那么目标移动了0.6米，接近一个距离分辨率，这种情况已经需要考虑距离走动补偿了。尤其在车载雷达、高速目标检测这类场景，积累时间越长越明显。

6.2 Keystone变换的基本原理

Keystone变换是处理距离走动的经典方法。它的数学本质是在慢时间-频率域做一个变量代换，把快时间维的FFT结果沿慢时间维进行插值重排，使得不同距离频率分量对应的相位变化率被重排到同一个多普勒频率上，从而消除距离走动的影响。

在RD谱绘制流程中，Keystone变换的插入位置在距离维脉冲压缩之后、多普勒维FFT之前：

1. 对距离压缩后的数据沿快时间维做FFT，得到快时间频域-慢时间域数据
2. 对每个快时间频率分量，沿慢时间维做伸缩插值（用interp1实现）
3. 沿快时间频率维做IFFT回距离-慢时间域
4. 再对慢时间维做FFT得到RD谱

这样做之后，高速目标也能在同一个距离单元内积累，多普勒维FFT输出峰值就不会因为距离走动而展宽或损失幅度。

6.3 线性调频与非线性调频的RD谱差异

线性调频信号（LFM）做匹配滤波有经典的旁瓣问题，所以工程上也会用非线性调频信号，比如调频频率随时间非线性变化的信号，或者相位编码信号。

从RD谱绘制的角度来说，处理流程基本一样：都是对回波信号做匹配滤波。区别在于参考信号的形式不同。LFM的参考信号是频率线性变化的chirp，而非线性调频信号的参考信号需要按照实际发射波形生成。这时就不能用解析公式直接生成了，需要用发射波形的实际采样数据。

如果你是做实际系统，我强烈建议把发射信号通过一条闭环采样链路记录下来，直接用这个实际波形作为匹配滤波的参考。这样能规避很多因波形失真导致的问题。仿真的时候，当然直接用理想信号就好，但要注意模型的逼真程度。

7. 从RD谱到目标检测：CFAR实战

7.1 为什么RD谱之后还要做检测

RD谱画出来之后，人眼当然可以一眼看到目标峰，但雷达系统需要自动、稳定地发现目标，这就需要一个检测算法。最常用的是恒虚警检测（CFAR），它的核心思想是：对RD谱上的每一个单元，用周围单元估计噪声功率，然后根据设定的虚警概率计算检测门限。如果当前单元的功率超过门限，就判定为目标。

为什么要用CFAR而不是固定门限？因为雷达实际的噪声和杂波背景是变化的。近处可能有强地物杂波，远处噪声基底可能低一些；阴雨天噪声会抬高，晴天相对干净。固定门限在这种情况下要么虚警率爆表，要么漏警严重。CFAR的门限随背景自适应调整，所以能保持恒定的虚警率。

7.2 二维CFAR的实现要点

RD谱上的CFAR检测通常是二维的，也就是在距离-多普勒平面内找一个保护窗口和一个参考窗口，逐点滑动计算。保护窗口的作用是防止目标能量泄漏进参考单元，导致门限被抬高、真实目标被漏检。参考窗口内的单元用来估计背景噪声功率。

Matlab实现的一个简化版本如下：

function [det_map, threshold_map] = cfar_2d(rd_power, guard_cells, ref_cells, pfa) [M, N] = size(rd_power); det_map = zeros(M, N); threshold_map = zeros(M, N); for m = 1+ref_cells : M-ref_cells for n = 1+ref_cells : N-ref_cells win = rd_power(m-ref_cells:m+ref_cells, n-ref_cells:n+ref_cells); [gr, gc] = meshgrid(-guard_cells:guard_cells, -guard_cells:guard_cells); mask_protect = (abs(meshgrid(-ref_cells:ref_cells, -ref_cells:ref_cells)) <= guard_cells); % 求保护区域 win(mask_protect) = []; noise_power = mean(win(:)); threshold = noise_power * (pfa^(-1/length(win)) - 1); % CA-CFAR简化 threshold_map(m, n) = threshold; if rd_power(m, n) > threshold det_map(m, n) = 1; end end end end

这个实现用双重循环，数据量大时很慢。实际工程中我会先做卷积或用矩阵操作来加速，但原理是一样的。另外上面的简化公式用的是CA-CFAR，参考单元数多时比较可靠，但对于多目标场景，目标落入参考窗会抬高门限，这时候可以考虑改用GO-CFAR或OS-CFAR。

7.3 检测后的目标信息提取

检测完成后，需要从CFAR结果中提取目标信息。最简单的方法是用find找出所有超过门限的单元，然后对每个峰值单元做距离和速度换算：

[row, col] = find(det_map == 1); detections = []; for idx = 1:length(row) r_idx = row(idx); v_idx = col(idx); range_val = range_axis(r_idx); vel_val = vel_axis(v_idx); amp_val = rd_power(r_idx, v_idx); detections = [detections; range_val, vel_val, amp_val]; end

如果有多个相邻单元同时超过门限，需要做聚类（比如简单的连通域分析）或者峰值插值，提取更精确的目标位置。这里比较推荐用插值法对峰值位置做亚单元级别的精化，因为RD谱的分辨率受到FFT点数的限制，但目标的物理位置是连续的。

7.4 CFAR检测的常见误区和调参经验

CFAR最常踩的坑就是保护窗口设置不当。保护窗口太小，强目标的旁瓣会污染参考单元，导致噪声功率估计偏高；保护窗口太大，两个邻近目标可能被合并成一个。一般规则是保护窗口尺寸要略大于目标在主瓣方向上的展宽。

参考窗口的大小也有讲究。参考窗口越大，噪声估计越稳定，门限波动越小，但计算量也越大，而且如果场景里目标密集，参考窗口内可能混入其它目标能量。工程上常用的经验值：参考窗口是保护窗口的3到5倍大小。

虚警概率pfa的设定直接看系统需求，一般取1e-4到1e-6之间。取太小容易漏检，取太大虚警多，后端跟踪会被大量假目标淹没。首次调试我建议从1e-4开始，跑通了再逐步调小。

8. 工程落地的一些经验总结

做了这么多年雷达信号处理，RD谱看似基础，但真正在工程中把它做稳定、做准，还是有不少门道的。我简单总结几个反复出现的经验。

第一，仿真代码和实际数据处理代码要分开维护。仿真是验证算法的，实际数据处理还要面对各种非理想因素，比如直流偏置、IQ不平衡、幅度相位校准、天线串扰。把这两套东西混在一起，排查问题非常痛苦。我在实际项目中会先仿真验证算法流程，再切换到实采数据，遇到问题优先检查数据链路而不是算法。

第二，数据组织的规范性决定调试效率。我见过不少代码，矩阵行列含义不写清楚，过两周自己都忘了。强烈建议从一开始就在代码注释里写清楚每个变量每一维代表什么，以及FFT操作沿哪个维度。这个好习惯能省下大量的返工时间。

第三，坐标轴一定要单独写成函数。距离轴和速度轴的计算经常被复制粘贴，但每个项目的参数不一样，一旦改了载频、忘了改lambda，整个速度轴就错了。单独的坐标轴函数可以避免这种低级错误。

第四，RD谱是中间产品，但它值得可视化。调试时我会同时显示原始距离像、RD谱、CFAR检测结果三张图，这样出问题能快速定位是在哪个环节。我也建议把RD谱以复数形式保存下来，不要只保存幅度，因为后续的测角算法往往需要用到相位信息。

最后想说的是，RD谱这个基础模块看似简单，但它几乎决定了整个雷达信号处理链路的上限。脉冲压缩做得好不好、多普勒维处理是否精细、参数设计是否合理，最后都反映在RD谱的质量上。把这一环做扎实，后面接目标检测、跟踪、识别都会顺畅很多。希望这篇文章能帮你少走一些弯路。