脉冲多普勒雷达听上去很硬核，但我可以负责任地说，只要你抓住了“距离维”和“速度维”这两条主线，在Matlab里复现一套完整的仿真流程，其实就是几段代码的事。这篇文章会从信号模型、参数设计、代码实现到结果解读全部走一遍，看完你就能理解为什么发射一串脉冲、做一次FFT，就能把运动目标从杂波里拎出来。不用面面俱到讲理论，重点是让你5分钟跑通一个像样的仿真，并且知道每个参数在真实雷达里意味着什么。

1. 整体设计与仿真思路拆解

1.1 为什么用脉冲串而不是单个脉冲

先说点直觉层面的东西。单脉冲雷达发出一个电磁波，碰到目标反射回来，通过时间差能算距离。但目标如果正在运动，回波会产生一个微小的频率偏移，也就是多普勒频移，这个偏移量非常小，对单个脉冲来说几乎测不出来——除非你的相干处理时间足够长，频率分辨力才足够高。

脉冲多普勒雷达的做法是发射一串相参脉冲串。相参的意思是每个脉冲的初始相位是锁定的，这样接收到的脉冲经过同一个目标的反射后，每个脉冲之间的相位变化量就反映了目标的径向运动。把这个相位变化沿脉冲维做FFT，就能非常准确地提取出多普勒频率，进而计算出速度。这个过程在雷达领域叫“相参积累”或“MTD（动目标检测）”。它同时保留了距离和速度两个维度的信息，这也是脉冲多普勒体制应用如此广泛的原因。

1.2 仿真要解决的两个核心问题

仿真不是把代码跑通就完事了，而是要回答两个工程问题。第一个问题是：给定雷达参数，它能看多远、能分辨多近的两个目标？第二个问题是：给定目标速度，它能测得多准、会不会模糊？这两组问题对应着四组关键参数：脉冲宽度和带宽决定距离分辨率，PRF（脉冲重复频率）决定最大不模糊距离和最大不模糊速度，积累脉冲数决定速度分辨率和信噪比增益，采样率决定距离向的分辨单元大小。

在本文的仿真里，我会把这些参数全部预置好，用两个不同距离、不同速度的目标来验证信号处理链路是否有效。看完仿真结果，你再回看参数表，就能理解每个数字是怎么影响输出的。

1.3 为什么要用线性调频信号做脉冲压缩

现代雷达普遍使用线性调频（LFM，也叫chirp）信号作为发射波形。原因很简单：要获得高的距离分辨率，信号带宽必须大；但如果用很窄的时域脉冲来提高带宽，峰值功率受限，探测距离就会下降。LFM信号把能量摊在比较宽的时宽里，通过匹配滤波在接收端重新“压”成一个窄脉峰，就兼顾了作用距离和距离分辨率。压缩后的脉宽不再是原始脉宽，而是近似等于1/带宽，这个特点在后面的代码里会看到。

2. 脉冲多普勒雷达的关键参数与信号模型

2.1 参数设计：一步到位定下仿真值

下面是仿真使用的雷达系统参数，所有参数在物理上都是自洽的。我直接给出代码里用的数值，然后解释每个值的含义。

看到分辨率150m可能有人会觉得“这也太粗了”，注意这是仿真演示用的带宽，实际雷达如果带宽做到几十兆赫兹，分辨率就是这个公式直接缩小的关系。代码里你会清楚地看到脉冲压缩前的宽脉冲和压缩后的窄脉冲对比。

最大不模糊距离由PRF决定，计算公式是R_max = c / (2 × PRF)。10kHz时对应15km。如果有目标在15km之外，它的回波会折叠进15km以内，显示在错误的距离上——这就是距离模糊。最大不模糊速度由公式V_max = λ × PRF / 4计算，λ等于0.03m，算下来是75m/s。也就是说我设的目标2的速度是-120m/s，其实已经超过不模糊速度了，理论上会出现速度折叠，这也是故意设置的，后面会在结果里观察这种现象，帮你理解模糊的概念。

2.2 发射信号与回波的数学表达

发射信号是线性调频脉冲：

s(t) = rect(t/Tp) × exp(j × π × μ × t²)

其中μ = B / Tp是调频斜率。接收到的目标回波在基带可以写成：

r_n(t) = A × s(t − τ_n) × exp(j × 2π × f_d_n × t)

这里的τ_n是第n个脉冲对应的双程时延，f_d_n是目标的多普勒频移，随时间（脉冲序号）线性变化。因为目标在运动，脉冲之间的时延也在变化，但它在慢时间维的速度变化量通常在几个采样点以内，这就是为什么要做两次处理：快时间维（脉冲内采样点）做脉冲压缩，慢时间维（脉冲序号）做FFT。

2.3 为什么要分快时间和慢时间两个维度

雷达接收一个脉冲的采样点叫“快时间”维，对应距离向；一帧里多个脉冲的序号叫“慢时间”维，对应速度向。两个维度解读起来各有各的物理含义：快时间维的每个采样点对应一个距离单元，慢时间维FFT之后的每个频点对应一个多普勒速度通道。这套“距离-多普勒矩阵”就是雷达信号处理中最经典的二维数据结构。代码里我会把所有脉冲压缩之后的回波信号按行排列成一个矩阵，行是脉冲序号，列是快时间采样点，最后沿行方向做FFT，就得到了RD谱。

3. Matlab完整代码实现

3.1 第一步：参数初始化与发射信号生成

直接上代码。我把整个流程分成三个函数模块理清楚，第一个模块负责初始化参数和生成发射波形。

%% 雷达参数定义 clear; close all; clc; c = 3e8; % 光速 fc = 10e9; % 载频 10GHz lambda = c/fc; % 波长 0.03m Tp = 10e-6; % 脉冲宽度 10us B = 1e6; % 信号带宽 1MHz K = B/Tp; % 调频斜率 Fs = 2e6; % 采样率 2MHz Ts = 1/Fs; % 采样间隔 PRF = 10e3; % 脉冲重复频率 10kHz PRI = 1/PRF; % 脉冲重复间隔 100us N_pulse = 64; % 积累脉冲数 %% 发射信号生成（单脉冲基带LFM） Ns = round(Tp * Fs); % 一个脉冲内的采样点数 t_fast = (0:Ns-1) / Fs; % 快时间轴 tx_signal = exp(1j * pi * K * t_fast.^2); % LFM基带信号 figure; subplot(2,1,1); plot(t_fast*1e6, real(tx_signal), 'b'); xlabel('时间 (μs)'); ylabel('幅度'); title('发射信号（实部）'); grid on; subplot(2,1,2); f_axis = (-Ns/2:Ns/2-1) * Fs / Ns; plot(f_axis/1e3, fftshift(abs(fft(tx_signal))), 'r'); xlabel('频率 (kHz)'); ylabel('幅度'); title('发射信号频谱'); grid on;

注意这里生成的是基带LFM信号，不载波调制到射频，后续仿真都在基带做。这样做的好处是仿真速度快，不用处理极高采样率的中频信号，原理上完全等价——因为所有处理都是线性的，把载频去掉不影响相对关系。

3.2 第二步：目标回波生成与参数设定

%% 目标参数定义 target_dist = [3000, 5800]; % 目标距离 (m) target_vel = [50, -120]; % 目标速度 (m/s) 正为远离 target_rcs = [1, 1]; % 目标相对反射强度（这里简化） N_target = length(target_dist); %% 回波信号生成 % 每个脉冲对应的完整距离轴 R_max_axis = c / (2 * PRF); % 15km最大不模糊距离 Ns_total = round(Fs * PRI); % 每个PRI内的总采样点数 t_total = (0:Ns_total-1) / Fs; N_total = length(t_total); % 一个PRI内的采样点总数 % 储存回波矩阵：行=脉冲序号，列=快时间采样 echo_data = zeros(N_pulse, N_total); for n = 1:N_pulse pulse_echo = zeros(1, N_total); for k = 1:N_target range_now = target_dist(k) + target_vel(k) * (n-1) * PRI; tau = 2 * range_now / c; % 双程时延 delay_samples = round(tau * Fs) + 1; % 转成采样点索引 if delay_samples + Ns - 1 <= N_total fd = 2 * target_vel(k) / lambda; % 多普勒频率 phase_shift = exp(1j * 2 * pi * fd * (n-1) * PRI); pulse_echo(delay_samples:delay_samples+Ns-1) = ... pulse_echo(delay_samples:delay_samples+Ns-1) + ... target_rcs(k) * phase_shift * tx_signal; end end % 加入复高斯噪声模拟接收机噪声 noise_power = 0.01; pulse_echo = pulse_echo + sqrt(noise_power/2) * (randn(1, N_total) + 1j*randn(1, N_total)); echo_data(n, :) = pulse_echo; end

回波生成里有一个很多人容易忽略的细节：目标在每个脉冲时刻的距离在变化，所以时延也在逐脉冲缓慢变化。我在代码里用range_now更新每个脉冲的时延，这样得到的是真实的相参回波。如果你偷懒把所有脉冲都用同一个时延，测速功能基本就废了，因为MTD靠的就是脉冲间因距离变化积累的相位差。

3.3 第三步：脉冲压缩（匹配滤波）

脉冲压缩在工程实现上有两种等价方式：时域卷积和频域相乘。当脉冲宽度比较长、采样点数很多时，时域卷积速度很慢，频域用FFT做点乘再IFFT回来要快得多。本文用后一种方式。需要一个细节：匹配滤波器的参考信号通常是发射信号的共轭反转，但在频域实现时可以直接用发射信号的FFT共轭乘上接收信号的FFT。

%% 脉冲压缩：频域匹配滤波 Nfft = 2^nextpow2(Ns + N_total - 1); % FFT点数 H_f = conj(fft(tx_signal, Nfft)); % 匹配滤波器频域响应 pulse_compressed = zeros(N_pulse, N_total); for n = 1:N_pulse recv_fft = fft(echo_data(n, :), Nfft); comp_fft = recv_fft .* H_f; comp_t = ifft(comp_fft); pulse_compressed(n, :) = comp_t(1:N_total); end % 看一下单脉冲压缩前后的对比 figure; subplot(2,1,1); plot((0:N_total-1)/Fs*1e3, abs(echo_data(1,:)), 'b'); xlabel('时间 (ms)'); ylabel('幅度'); title('压缩前：第1个脉冲回波'); grid on; subplot(2,1,2); plot((0:N_total-1)/Fs*1e3, abs(pulse_compressed(1,:)), 'r'); xlabel('时间 (ms)'); ylabel('幅度'); title('压缩后：第1个脉冲回波（可见峰值）'); grid on;

跑完这段代码你会看到压缩前整个回波被淹没在噪声里或者看不出明显的峰，压缩后两个目标的位置出现明显的尖峰。这就是脉冲压缩最直观的威力：它把大时宽脉冲的微弱能量“聚焦”到一个极短时间上，等效于把目标反射的能量从时域上集中起来。注意峰值位置的时间索引可以通过距离公式反算，验证与预设的目标距离是否一致。

3.4 第四步：慢时间维FFT与MTD

%% MTD：对脉冲维做FFT Nfft_doppler = 2^nextpow2(N_pulse); rd_map = zeros(Nfft_doppler, N_total); for idx = 1:N_total % 对64个脉冲在同一个距离单元上的数据做FFT rd_map(:, idx) = fftshift(fft(pulse_compressed(:, idx), Nfft_doppler)); end % 距离轴与多普勒轴映射 range_axis = (0:N_total-1) * c / (2 * Fs); fd_axis = (-Nfft_doppler/2 : Nfft_doppler/2 - 1) * PRF / Nfft_doppler; vel_axis = fd_axis * lambda / 2; figure; imagesc(range_axis/1e3, vel_axis, 20*log10(abs(rd_map)/max(abs(rd_map(:))))); xlabel('距离 (km)'); ylabel('速度 (m/s)'); title('距离-多普勒图'); colorbar; grid on;

这里慢时间FFT的点数我取的是2的幂次（对64点数据做128点FFT），会在频域上做插值，让谱峰更平滑，提升显示效果。真实的MTD处理一般也会做补零FFT来提高频率估计精度，代价是计算量稍微大一点，这个trade-off在工程上是划算的。

3.5 完整可运行的独立脚本

我直接给一个完整的版本，把上面所有片段整合起来。你只要新建一个脚本文件，全部粘贴进去，点击运行就能看到全部图形。为了方便定位目标，我再加了一个二维峰值搜索的显示模块，直接用findpeaks在RD图上找目标位置。

%% 完整可运行：脉冲多普勒雷达仿真 clear; close all; clc; %% 雷达参数 c = 3e8; fc = 10e9; lambda = c/fc; Tp = 10e-6; B = 1e6; K = B/Tp; Fs = 2e6; PRF = 10e3; PRI = 1/PRF; N_pulse = 64; %% 目标参数 target_dist = [3000, 5800]; target_vel = [50, -120]; N_target = length(target_dist); %% 发射信号 Ns = round(Tp * Fs); t_fast = (0:Ns-1)/Fs; tx_signal = exp(1j*pi*K*t_fast.^2); %% 回波生成 R_max = c/(2*PRF); Ns_total = round(Fs * PRI); N_total = Ns_total; echo_data = zeros(N_pulse, N_total); for n = 1:N_pulse pulse_echo = zeros(1, N_total); for k = 1:N_target range_now = target_dist(k) + target_vel(k) * (n-1) * PRI; tau = 2 * range_now / c; delay_samples = round(tau * Fs) + 1; fd = 2 * target_vel(k) / lambda; phase_shift = exp(1j * 2 * pi * fd * (n-1) * PRI); if delay_samples + Ns - 1 <= N_total pulse_echo(delay_samples:delay_samples+Ns-1) = ... pulse_echo(delay_samples:delay_samples+Ns-1) + ... phase_shift * tx_signal; end end noise_power = 0.01; pulse_echo = pulse_echo + sqrt(noise_power/2)*(randn(1,N_total)+1j*randn(1,N_total)); echo_data(n,:) = pulse_echo; end %% 脉冲压缩 Nfft = 2^nextpow2(Ns + N_total - 1); H_f = conj(fft(tx_signal, Nfft)); pulse_compressed = zeros(N_pulse, N_total); for n = 1:N_pulse comp_t = ifft(fft(echo_data(n,:), Nfft) .* H_f); pulse_compressed(n,:) = comp_t(1:N_total); end %% MTD处理 Nfft_dop = 128; rd_map = zeros(Nfft_dop, N_total); for idx = 1:N_total rd_map(:, idx) = fftshift(fft(pulse_compressed(:, idx), Nfft_dop)); end %% 显示 range_axis = (0:N_total-1) * c / (2*Fs); fd_axis = (-Nfft_dop/2 : Nfft_dop/2-1) * PRF / Nfft_dop; vel_axis = fd_axis * lambda / 2; figure('Name','距离-多普勒图'); imagesc(range_axis/1e3, vel_axis, 20*log10(abs(rd_map)/max(abs(rd_map(:))))); xlabel('距离 (km)'); ylabel('速度 (m/s)'); title('距离-多普勒（RD）谱'); colorbar; grid on; %% 峰值检测辅助 rd_abs = abs(rd_map); threshold = 0.5 * max(rd_abs(:)); [peak_rows, peak_cols] = find(rd_abs > threshold); fprintf('检测到%d个峰值候选\n', length(peak_rows)); for i = 1:length(peak_rows) r_idx = peak_cols(i); v_idx = peak_rows(i); fprintf('目标%d：距离=%.2f km，速度=%.2f m/s\n', ... i, range_axis(r_idx)/1e3, vel_axis(v_idx)); end

这段完整脚本在Matlab R2016a以上的版本都能直接运行，不依赖Phased Array System Toolbox，只用到了基础函数，这对很多人来说是个好消息——不需要额外装工具箱就能跑通流程。

4. 仿真结果解读与参数影响分析

4.1 为什么RD图能同时看到距离和速度

跑完代码你会看到一幅热力图，横轴是距离、纵轴是速度，两个亮斑分别对应两个目标。目标1距离3km、速度50m/s；目标2距离5.8km、速度-120m/s。这些信息跟我预设的参数一对比，就能确认处理链路是正确且有效的。

有一个地方值得特别注意：目标2的速度-120m/s其实已经超过前面计算的最大不模糊速度75m/s。在RD图上你可能会发现它并没有出现在-120的位置，而是折叠到了一个正的速度值上。这就是多普勒模糊的实际表现。要解决模糊，工程上常用多重PRF或HPRF（高PRF）体制，但这属于更进阶的话题，这里先把现象认识清楚。

4.2 信噪比与积累增益怎么来的

单看一个脉冲，两个目标回波的峰值可能只比噪声高几倍，但在RD图上亮斑却非常突出。这就是相参积累的收益：64个脉冲相干积累，信号幅度近似线性叠加，而随机噪声是功率叠加，因此信噪比大约提升10×log10(64)=18dB。这个增益直接把微弱目标从噪声底里拽了出来。这也是脉冲多普勒雷达相较于单脉冲雷达的核心优势之一。

你可以做个实验：把N_pulse从64改成16，再跑一次，观察亮斑是否变暗、噪声底是否更明显。这会非常直观地验证积累增益与脉冲数的关系。

4.3 速度分辨力的直观感受

64个脉冲、PRF为10kHz时，速度分辨力约为λ×PRF/(2×N)=0.03×10000/(2×64)≈2.34m/s。这意味着相差小于约2.3m/s的两个目标在速度维上是分不开的。如果要提高分辨力，要么增加积累脉冲数，要么降低PRF。但降低PRF会缩小最大不模糊距离，这又是一个权衡。我在设计仿真参数时故意把两个目标的速度差拉大到170m/s，就是为了保证RD图上能清楚分开，如果你调整速度差试试，就能亲身体会到分辨力的概念。

5. 常见问题与避坑指南

5.1 距离轴对不上目标位置怎么办

这是我自己刚开始做仿真时最容易踩的坑。脉冲压缩后的峰值位置，换算距离的公式是R = τ×c/2，其中τ是峰值的快时间。但如果你用采样点索引直接乘以c/(2×Fs)，会得到一个偏移——因为匹配滤波器的输出峰值并不一定精确落在整数采样点上。另外要注意delay_samples = round(tau*Fs)+1里的+1是从1开始索引的偏移量，而range_axis从索引0开始算。建议代码里保持一致，统一从1索引，或者统一减1，别混用。

5.2 为什么脉冲压缩后看不到明显的峰

大概率是信噪比太低了，或者目标的回波时延超出了N_total的范围。在回波生成那段里我加了判断条件if delay_samples + Ns - 1 <= N_total，如果目标距离过大，回波根本不会被加到数据里，处理链路自然找不到目标。可以先把noise_power设成0，确认信号链路没问题，再慢慢加噪声看鲁棒性。

5.3 加窗还是不加法：旁瓣与分辨率的取舍

LFM信号经过匹配滤波后，输出是sinc形状的峰，第一旁瓣大约在-13.2dB。如果场景里有强目标和弱目标挨得很近，强目标的旁瓣可能会淹没弱目标的主瓣。工程上解决这个问题会在匹配滤波前对发射信号或回波加窗，比如海明窗、泰勒窗。代价是主瓣会变宽，距离分辨率有所下降。在本文仿真里我没有加窗，是为了让主瓣更尖锐、看峰值更精准，但真要做多目标检测，加窗几乎是必须的。你可以试着在频域匹配滤波时给H_f乘一个窗函数，对比一下旁瓣的变化，这个实验很值得做。

5.4 机动目标与跨距离走动的问题

本文假设目标在64个脉冲积累时间内没有跨距离单元。算一下：PRF=10kHz，64个脉冲总时长6.4ms，目标速度100m/s时跨距只有0.64m，远小于150m的距离分辨率，所以忽略没问题。但如果用高分辨率波形+低PRF+高速目标，目标可能在积累时间内跨好几个距离单元，这时候必须做Keystone变换或距离走动校正。做雷达仿真时很容易忽略这个前提条件，导致在特定参数下结果完全错误。用本文的参数没这个问题，但如果你以后改了带宽或PRF，一定要重新核算。

5.5 射频前端与基带仿真的边界要分清楚

我的回波生成用的是基带等效模型，没有仿真载波混频和滤波的过程。这在信号级仿真里是完全合理的做法，因为从基带信号到数字端的处理都可以通过线性系统建模，载频的信息已经体现在多普勒频移里了。但如果你要做ADC量化噪声、相位噪声、I/Q不平衡之类的非理想效应建模，就必须要回到射频信号域。这也是为什么很多时候仿真结果和实测对不上的原因之一：仿真里太干净了，真实硬件有各种不理想项。做仿真时要清楚自己仿真到哪一步为止，边界设在哪里，这比追求代码跑通重要得多。

6. 扩展思路与下一步学习方向

跑通这套仿真只是第一步。如果想继续深入，我建议从三个方向扩展。第一个方向是杂波建模：地面或海面的杂波有特定的功率谱分布，常见的模型包括高斯谱和指数谱，把它们加进回波里，再尝试用MTI对消器或者AMTI滤波器抑制杂波，这才是脉冲多普勒雷达在机载下视场景里的真正形态。

第二个方向是CFAR检测。本文用了简单门限找峰值，但实际的雷达检测需要保持恒虚警率，常见的有CA-CFAR、OS-CFAR。你可以写一个滑窗在一维距离维或二维RD图上做CFAR，替换掉现在的固定门限，这样检测性能评估才有意义。

第三个方向是波形分集与模糊解算。用重频参差或重频抖动来消除距离模糊和速度模糊，这是工程雷达中最核心的波形设计内容。你可以把本文的固定PRF改成两组PRF交替发射，再多做一次中国余数定理的求解逻辑来解模糊。整个过程代码量不大，但对理解的提升非常明显。

我个人在实际操作中的体会是：脉冲多普勒雷达仿真最大的门槛往往不是代码本身，而是当结果不符合预期时，你是否能准确判断出是参数设置、处理流程还是目标建模导致的偏差。建议每改一个参数就固定其他变量跑一次对比，把每个模块的输出都可视化出来，别只看最后那张RD图。这个过程虽然枯燥，但能帮你把“感觉上懂了”变成“真正搞明白了”。