傅里叶变换的性质是个很神奇的东西。刚接触信号与系统那会儿，很多人把十几个性质背得滚瓜烂熟，但一到做题、看论文、调算法的时候就露馅了——根本不知道什么时候该用哪个性质，更别提那些性质是怎么来的。这其实很正常，因为教材为了赶进度，通常只给结论不给证明，或者把证明藏在习题里让大家自己推。我自己当年也吃过这个亏，后来认认真真把所有核心性质从头到尾推了一遍，才真正体会到这些性质之间的内在联系。这篇东西不是教科书式的罗列，而是我把整个推导过程、证明思路、还有那些容易踩坑的细节，完整地整理出来，希望对正在啃这块内容的人有点帮助。
1. 为什么必须先搞清楚傅里叶变换的定义和收敛条件
在讨论任何性质之前，得先明确我们在用什么定义。不同教材对傅里叶变换的定义存在系数差异，这直接决定了性质表达式的样子。
1.1 本文采用的变换定义
我使用的是信号与系统领域最通用的非酉角频率定义：
[ X(\omega) = \int_{-\infty}^{\infty} x(t) e^{-j\omega t} dt ]
对应的逆变换为：
[ x(t) = \frac{1}{2\pi} \int_{-\infty}^{\infty} X(\omega) e^{j\omega t} d\omega ]
这里有个细节特别容易忽略：正变换没有系数，逆变换带 ( \frac{1}{2\pi} )，这个系数分配不是随意的。这个对称性的不对称，直接导致后面频域卷积定理里也会出现 ( \frac{1}{2\pi} ) 因子。你要是用角频率还是用频率 ( f )（也就是 ( X(f) = \int x(t) e^{-j2\pi ft} dt ) 那套定义），卷积定理的形式干净很多，没有系数。很多人在两个定义之间切换的时候，被这个系数坑过，算出来的结果差了 ( 2\pi ) 还不自知。
1.2 存在的条件：证明性质前必须确认的前提
所有性质成立，都默认 ( x(t) ) 满足傅里叶变换的收敛条件。工程上最关心的是两条：
- 绝对可积：( \int_{-\infty}^{\infty} |x(t)| dt < \infty )，这是充分非必要条件。
- 狄利克雷条件：函数在任意有限区间内只有有限个极值点、有限个间断点，且间断点处函数值有限。
这两条看似抽象，实际对应着信号是否“友好”。像 ( e^{j\omega_0 t} )、( \cos(\omega_0 t) )、阶跃信号这类周期或非衰减信号，直接用上述积分定义是算不出来的，因为它们不满足绝对可积。但工程里又离不开这些信号，所以引入了广义傅里叶变换的概念，借助冲激函数来表示。比如 ( \mathcal{F}{1} = 2\pi\delta(\omega) )，不是靠直接积分算出来的，而是通过逆变换验证的。这个思路在后面各类性质的证明中会反复用到——对棘手的信号，换一个方向去验证，往往比硬算容易得多。
2. 线性性质的证明和它隐含的系统分析价值
线性性质是傅里叶变换性质中最基础、最简单，但也是整个信号处理大厦的地基。它包含齐次性和叠加性两层含义。
2.1 线性性质的完整证明
若 ( x_1(t) \leftrightarrow X_1(\omega) )，( x_2(t) \leftrightarrow X_2(\omega) )，对任意常数 ( a, b )，有：
[ a x_1(t) + b x_2(t) \leftrightarrow a X_1(\omega) + b X_2(\omega) ]
证明过程非常直接，直接代入定义：
[ \mathcal{F}{a x_1(t) + b x_2(t)} = \int_{-\infty}^{\infty} [a x_1(t) + b x_2(t)] e^{-j\omega t} dt ]
积分是线性算子，可以拆开：
[ = a \int_{-\infty}^{\infty} x_1(t) e^{-j\omega t} dt + b \int_{-\infty}^{\infty} x_2(t) e^{-j\omega t} dt = a X_1(\omega) + b X_2(\omega) ]
到这里证明就结束了。高度依赖积分本身的线性性质。这个性质虽然简单，但它保证了我们在做信号分解的时候可以“分而治之”——把复杂信号拆成简单信号的组合，各自算傅里叶变换，再加起来。
2.2 工程中的实际意义
线性性质的意义在系统分析中体现得最明显。一个 LTI（线性时不变）系统对复杂输入的响应，可以直接用各个频率分量响应的叠加来表示。而结合后面要讲的卷积定理，LTI 系统在频域中就是一个乘法关系：( Y(\omega) = X(\omega) H(\omega) )。如果 ( x(t) ) 是若干个分量的叠加，那么：
[ Y(\omega) = [X_1(\omega) + X_2(\omega) + \cdots] H(\omega) = X_1(\omega)H(\omega) + X_2(\omega)H(\omega) + \cdots ]
这个等式成立的前提，就是线性性质。从本质上说，傅里叶分析能够成立的精髓也在这里：把信号分解成正弦分量，然后单独处理每个分量。没有线性，频域分析法根本不成立。这也是为什么我们在分析放大器失真、混频器非线性的时候，不能直接用叠加定理，必须引入谐波、交调这些额外概念——因为系统非线性了，线性性质这个前提被破坏了。
3. 对称性质：一个容易被忽略却极具威力的性质
对称性质（也叫对偶性质）是我个人认为傅里叶变换所有性质里最“漂亮”的一个。它揭示了时域和频域之间深刻的对称美。
3.1 对称性质的表述与证明
如果说 ( x(t) \leftrightarrow X(\omega) )，那么：
[ X(t) \leftrightarrow 2\pi x(-\omega) ]
这个式子读起来有点绕，通俗地说：如果时域信号是 ( X(t) )（也就是原频谱函数把变量换成时间 ( t )），那么它的频谱就是 ( 2\pi x(-\omega) )。
证明过程非常巧妙。已知逆变换定义：
[ x(t) = \frac{1}{2\pi} \int_{-\infty}^{\infty} X(\omega) e^{j\omega t} d\omega ]
把变量 ( t ) 换成 ( -t )，得到：
[ x(-t) = \frac{1}{2\pi} \int_{-\infty}^{\infty} X(\omega) e^{-j\omega t} d\omega ]
两边同时乘以 ( 2\pi )：
[ 2\pi x(-t) = \int_{-\infty}^{\infty} X(\omega) e^{-j\omega t} d\omega ]
现在将变量符号 ( \omega ) 和 ( t ) 互换（这里只是单纯地换名字，积分值不变）：
[ 2\pi x(-\omega) = \int_{-\infty}^{\infty} X(t) e^{-j\omega t} dt ]
右边这个积分正是 ( X(t) ) 的傅里叶变换。于是：
[ \mathcal{F}{X(t)} = 2\pi x(-\omega) ]
证明完毕。整个过程的核心就是“变量角色互换”——把频谱 ( X(\cdot) ) 当作时域信号来看待，把原时域信号 ( x(\cdot) ) 当作频谱来看待。
3.2 对称性质的实战用法
对称性质最经典的用途是成对地推导傅里叶变换对，不需要重复做积分。比如已知门函数（矩形脉冲）的频谱是 Sa 函数：
[ \text{rect}\left(\frac{t}{\tau}\right) \leftrightarrow \tau \cdot \text{Sa}\left(\frac{\omega \tau}{2}\right) ]
利用对称性质，立刻可以得到时域 Sa 信号的频谱是一个门函数：
[ \frac{W}{2\pi} \cdot \text{Sa}\left(\frac{W t}{2}\right) \leftrightarrow \text{rect}\left(\frac{\omega}{W}\right) ]
这个结果不需要再做任何积分，直接“转”一下就能出来。再举一个例子，冲激信号 ( \delta(t) \leftrightarrow 1 )，利用对称性，立刻得到直流信号 ( 1 \leftrightarrow 2\pi\delta(\omega) )。这一对关系不用算，直接看出来的。
我当时推到这里的时候，感觉整个知识网络突然打通了——原来很多看似需要死记硬背的变换对，都是可以通过对称性质互相推导出来的。考试时候不用记那么多变换对，记一半就能推出另一半。
4. 尺度变换性质的证明与直觉理解
尺度变换性质揭示了信号在时间轴上“拉伸”或“压缩”时，频谱如何变化。这是一个既简单又要小心负数取绝对值的性质。
4.1 完整的数学证明
若 ( x(t) \leftrightarrow X(\omega) )，则对非零实数 ( a )：
[ x(at) \leftrightarrow \frac{1}{|a|} X\left(\frac{\omega}{a}\right) ]
证明时需要分情况讨论 ( a > 0 ) 和 ( a < 0 )，这是初学者最容易漏掉的一步。
情况一：( a > 0 )
[ \mathcal{F}{x(at)} = \int_{-\infty}^{\infty} x(at) e^{-j\omega t} dt ]
令 ( u = at )，则 ( t = \frac{u}{a} )，( dt = \frac{du}{a} )，积分限不变（因为 ( a > 0 ) 时，( t: -\infty \to +\infty ) 对应 ( u: -\infty \to +\infty )）：
[ = \frac{1}{a} \int_{-\infty}^{\infty} x(u) e^{-j\frac{\omega}{a} u} du = \frac{1}{a} X\left(\frac{\omega}{a}\right) ]
情况二：( a < 0 )
令 ( u = at )，此时 ( a < 0 )，当 ( t: -\infty \to +\infty ) 时，对应 ( u: +\infty \to -\infty )。积分限交换方向，需要加负号：
[ = \int_{\infty}^{-\infty} x(u) e^{-j\frac{\omega}{a}u} \frac{du}{a} = -\frac{1}{a} \int_{-\infty}^{\infty} x(u) e^{-j\frac{\omega}{a}u} du ]
注意这里 ( a < 0 )，所以 ( -\frac{1}{a} > 0 )，最终可以写成：
[ = \frac{1}{|a|} X\left(\frac{\omega}{a}\right) ]
综合两种情况，统一写成 ( \frac{1}{|a|} X(\frac{\omega}{a}) )。这里为什么要加绝对值，就是在 ( a < 0 ) 的证明过程中积分限反转带来的。
4.2 从物理直觉理解尺度变换
从直觉上看，这个性质想表达的是一个非常直观的现象：把信号在时间轴上“压扁”（( a > 1 )），那么它的频谱就横向“拉伸变宽”；把信号在时间轴上“拉宽”（( 0 < a < 1 )），那么它的频谱就横向“压缩变窄”。
最典型的例子是门函数：门宽为 ( \tau ) 的矩形脉冲，其频谱带宽（第一零点）为 ( \frac{2\pi}{\tau} )。脉冲越窄（( \tau ) 越小），频谱的主瓣越宽。这就是通信原理中“时域持续时间与频域带宽成反比”的数学根源。而这个“带宽与脉宽成反比”的直观结论，在雷达信号设计、无线通信的时频资源分配中反复出现。我印象很深的是有一次在分析超宽带（UWB）信号时，正是用这个性质来解释为什么极窄的脉冲具有极宽的频谱——这在直觉上总是让新手迷惑，但尺度变换性质给出了严格的数学说明。
尺度变换性质的另一个推论是：( x(-t) \leftrightarrow X(-\omega) )，也就是时间反转对应频谱反转。这个推论在很多推导中非常有用，比如实信号频谱共轭对称性的证明就会用到。
5. 时移与频移：工程中最频繁使用的一对性质
时移和频移性质在调制解调、延迟估计、波束形成等场景中无处不在。它们是工程师必须形成肌肉记忆的两个性质。
5.1 时移性质与“线性相位”的奥妙
时移性质表述如下：若 ( x(t) \leftrightarrow X(\omega) )，则：
[ x(t - t_0) \leftrightarrow X(\omega) e^{-j\omega t_0} ]
证明直接从定义出发：
[ \mathcal{F}{x(t - t_0)} = \int_{-\infty}^{\infty} x(t - t_0) e^{-j\omega t} dt ]
令 ( u = t - t_0 )，则 ( t = u + t_0 )，( dt = du )：
[ = \int_{-\infty}^{\infty} x(u) e^{-j\omega (u + t_0)} du = e^{-j\omega t_0} \int_{-\infty}^{\infty} x(u) e^{-j\omega u} du = e^{-j\omega t_0} X(\omega) ]
这个式子告诉我们一个关键信息：信号在时间上延迟 ( t_0 )，其频谱的幅度完全不变，而相位在每一个频率点上线性地增加了一个偏移量 ( -\omega t_0 )。且这个相位偏移和频率 ( \omega ) 成正比，斜率等于 ( -t_0 )。
“时域的延迟等于频域的线性相位”，这个结论在工程上有非常多的应用。比如在波束形成中，通过调整不同阵元的时延（等价于调整相位梯度），就可以让波束指向不同方向。又比如滤波器设计中，为了保持线性相位特性，FIR 滤波器通常会把系数设计成对称的，这样群延迟恒定，信号通过后波形不会发生相位失真。
5.2 频移性质的证明与调制原理
频移性质（也叫调制性质）表述如下：
[ x(t) e^{j\omega_0 t} \leftrightarrow X(\omega - \omega_0) ]
证明同样简洁：
[ \mathcal{F}{x(t) e^{j\omega_0 t}} = \int_{-\infty}^{\infty} x(t) e^{j\omega_0 t} e^{-j\omega t} dt = \int_{-\infty}^{\infty} x(t) e^{-j(\omega - \omega_0)t} dt = X(\omega - \omega_0) ]
把 ( e^{j\omega_0 t} ) 和 ( e^{-j\omega t} ) 的指数合并，剩下的就是定义形式。整个证明只有三行，但它是幅度调制、频率调制、正交频分复用等所有调制技术的数学基础。
在实数域里，我们更常用的是余弦形式。根据欧拉公式：
[ \cos(\omega_0 t) = \frac{e^{j\omega_0 t} + e^{-j\omega_0 t}}{2} ]
因此：
[ x(t)\cos(\omega_0 t) \leftrightarrow \frac{1}{2}[X(\omega - \omega_0) + X(\omega + \omega_0)] ]
这个公式就是 AM（幅度调制）的数学模型。信号 ( x(t) ) 与载波 ( \cos(\omega_0 t) ) 相乘后，频谱从基带被搬移到以 ( \omega_0 ) 为中心的两个边带。这也是“频谱搬移”这个说法的来源。很多人在理解调制时总觉得抽象，其实本质就是频移性质的一个直接应用。
5.3 时移和频移的对称呼应
现在回头看，时移和频移之间也存在一种对偶关系：
- 时移：( x(t-t_0) \leftrightarrow X(\omega) e^{-j\omega t_0} )（乘上 ( e^{-j\omega t_0} )）
- 频移：( x(t) e^{j\omega_0 t} \leftrightarrow X(\omega-\omega_0) )（频谱搬移 ( \omega_0 )）
时域乘上复指数，对应频域搬移；频域乘上复指数，对应时域搬移。这个对称性时不时会帮助你在推导中少走很多弯路。我当时为了强化这个记忆，自己总结了一个口诀：“时域移位频域乘因子，频域移位时域乘因子”。虽然听起来有点绕，但用多了就自然记住了。
6. 卷积定理：从多项式乘法到卷积的思维飞跃
卷积定理是我认为傅里叶变换所有性质中最具工程价值的一条。它把卷积运算转化为乘积运算，是线性时不变系统频域分析的理论基础，也是快速卷积算法（比如用 FFT 实现 FIR 滤波）的核心依据。
6.1 时域卷积定理的证明
设 ( x_1(t) \leftrightarrow X_1(\omega) ) 和 ( x_2(t) \leftrightarrow X_2(\omega) )，卷积运算定义为：
[ x_1(t) * x_2(t) = \int_{-\infty}^{\infty} x_1(\tau) x_2(t - \tau) d\tau ]
时域卷积定理断言：
[ x_1(t) * x_2(t) \leftrightarrow X_1(\omega) X_2(\omega) ]
证明如下。先对卷积结果做傅里叶变换：
[ \mathcal{F}{x_1(t) * x_2(t)} = \int_{-\infty}^{\infty} \left[ \int_{-\infty}^{\infty} x_1(\tau) x_2(t - \tau) d\tau \right] e^{-j\omega t} dt ]
交换积分顺序（这需要函数满足一定的可积条件，工程信号默认成立）：
[ = \int_{-\infty}^{\infty} x_1(\tau) \left[ \int_{-\infty}^{\infty} x_2(t - \tau) e^{-j\omega t} dt \right] d\tau ]
内层积分中，利用时移性质：
[ \int_{-\infty}^{\infty} x_2(t - \tau) e^{-j\omega t} dt = X_2(\omega) e^{-j\omega \tau} ]
代回：
[ = \int_{-\infty}^{\infty} x_1(\tau) X_2(\omega) e^{-j\omega \tau} d\tau = X_2(\omega) \int_{-\infty}^{\infty} x_1(\tau) e^{-j\omega \tau} d\tau = X_1(\omega) X_2(\omega) ]
证明完成。
6.2 频域卷积定理及系数陷阱
频域卷积定理同样重要：时域相乘，频域卷积（乘 ( \frac{1}{2\pi} )）。
[ x_1(t) x_2(t) \leftrightarrow \frac{1}{2\pi} X_1(\omega) * X_2(\omega) ]
这里有一个特别容易出错的点：频域卷积定理多了个 ( \frac{1}{2\pi} ) 系数。这个系数的来源是逆变换公式前的 ( \frac{1}{2\pi} )。证明思路和时域卷积定理类似，从逆变换定义出发：
[ \mathcal{F}{x_1(t) x_2(t)} = \int_{-\infty}^{\infty} x_1(t) x_2(t) e^{-j\omega t} dt ]
把 ( x_1(t) ) 用逆变换展开：
[ x_1(t) = \frac{1}{2\pi} \int_{-\infty}^{\infty} X_1(v) e^{jvt} dv ]
代入，交换积分顺序：
[ = \frac{1}{2\pi} \int_{-\infty}^{\infty} X_1(v) \left[ \int_{-\infty}^{\infty} x_2(t) e^{-j(\omega - v)t} dt \right] dv ]
内层积分正是 ( X_2(\omega - v) )，所以：
[ = \frac{1}{2\pi} \int_{-\infty}^{\infty} X_1(v) X_2(\omega - v) dv = \frac{1}{2\pi} [X_1(\omega) * X_2(\omega)] ]
那个 ( \frac{1}{2\pi} ) 就是从这里冒出来的。如果换用频率 ( f ) 的定义，FFT 里常用 ( \frac{1}{N} ) 归一化，两边看起来反而更对称。但在角频率定义下，这个系数必须带上，不然结果直接放大 ( 2\pi ) 倍。
6.3 卷积定理的实际应用脉络
卷积定理最让人兴奋的地方在于：它把一个看起来复杂的积分运算（卷积）变成了简单的乘法。而这直接的工程后果就是：可以用 FFT 实现快速卷积。具体思路是：
- 对输入信号 ( x[n] ) 和滤波器系数 ( h[n] ) 分别做 FFT。
- 在频域将两者逐点相乘。
- 对乘积做 IFFT（逆 FFT），得到时域卷积结果。
对于长信号或者长滤波器，这种“频域滤波”方法比直接做时域卷积要快很多。我把这个定理想成是“把难题搬到另一个坐标系去解决”，就像对数把乘法变成加法一样，傅里叶变换把卷积变成乘法，本质都是变换思维的力量。
7. 微分与积分性质：连续时间域的重要推论
微分和积分性质在电路分析、控制系统中用途极广。它把时域的微分运算变成频域的代数乘法，这也是拉普拉斯变换中 ( s ) 算子思想的“近亲”。
7.1 时域微分性质的证明与验证
时域微分性质表述为：
[ \frac{d x(t)}{dt} \leftrightarrow j\omega X(\omega) ]
更一般地，( n ) 阶导数：
[ \frac{d^n x(t)}{dt^n} \leftrightarrow (j\omega)^n X(\omega) ]
证明可以从傅里叶逆变换入手。将 ( x(t) ) 用逆变换表示：
[ x(t) = \frac{1}{2\pi} \int_{-\infty}^{\infty} X(\omega) e^{j\omega t} d\omega ]
对两边关于 ( t ) 求导。在适当的收敛条件下，导数可以穿越积分号：
[ \frac{d x(t)}{dt} = \frac{1}{2\pi} \int_{-\infty}^{\infty} X(\omega) \frac{\partial}{\partial t} e^{j\omega t} d\omega = \frac{1}{2\pi} \int_{-\infty}^{\infty} [j\omega X(\omega)] e^{j\omega t} d\omega ]
等号右边的形式正好是 ( j\omega X(\omega) ) 的傅里叶逆变换。因此：
[ \frac{d x(t)}{dt} \leftrightarrow j\omega X(\omega) ]
一个值得注意的细节是：如果 ( x(t) ) 含有直流分量（即 ( X(0) \neq 0 )），求导后的频谱在 ( \omega = 0 ) 处被乘以 0，这意味着直流信息被完全丢弃了。反过来，从导数信号恢复原始信号时，直流分量是丢失的，需要一个额外的初始条件来确定。这个现象在电路瞬态分析中对应着“积分常数”问题，在图像处理中对应着“从梯度恢复图像时需要边界条件”的问题。
7.2 时域积分性质的证明与直流信息
时域积分性质表述为：
[ \int_{-\infty}^{t} x(\tau) d\tau \leftrightarrow \frac{X(\omega)}{j\omega} + \pi X(0) \delta(\omega) ]
这个性质的证明比微分性质要复杂得多，因为积分运算本身不是绝对可积的。直接代入定义会遇到积分上限为 ( t ) 的变上限积分问题。
更干净的证明思路是借助阶跃信号 ( u(t) )。注意到：
[ \int_{-\infty}^{t} x(\tau) d\tau = x(t) * u(t) ]
利用卷积定理：
[ \mathcal{F}\left{\int_{-\infty}^{t} x(\tau) d\tau\right} = X(\omega) \cdot \mathcal{F}{u(t)} ]
而阶跃信号的傅里叶变换是一个经典结果：
[ \mathcal{F}{u(t)} = \pi\delta(\omega) + \frac{1}{j\omega} ]
相乘得到：
[ = X(\omega)\left[\pi\delta(\omega) + \frac{1}{j\omega}\right] = \pi X(\omega)\delta(\omega) + \frac{X(\omega)}{j\omega} ]
利用冲激函数的取样特性 ( X(\omega)\delta(\omega) = X(0)\delta(\omega) )，就得到了最终结果。积分性质比微分性质多出来的那项 ( \pi X(0)\delta(\omega) )，正是被“保存”下来的直流分量。如果在计算中丢掉这一项，在判断系统稳定性时会得出完全错误的结论。
7.3 微分性质在 LC 电路分析中的物理对照
微分性质在电路分析中的应用非常直观。以电容的电压电流关系为例：
[ i_C(t) = C \frac{d v_C(t)}{dt} ]
两边同时做傅里叶变换：
[ I_C(\omega) = C \cdot j\omega V_C(\omega) ]
所以电容的频域阻抗为：
[ Z_C(\omega) = \frac{V_C(\omega)}{I_C(\omega)} = \frac{1}{j\omega C} ]
再看电感：( v_L(t) = L \frac{d i_L(t)}{dt} )，频域阻抗为 ( Z_L(\omega) = j\omega L )。这些高频电路和信号与系统课程中最基础的结果，本质上就是微分性质在电路元件上的直接体现。微分性质把元件方程的“时间导数关系”转变为“频域代数关系”，才让交流电路分析能够用普通的代数方法求解，不需要解微分方程。
8. 帕塞瓦尔定理：能量守恒的频域表达
帕塞瓦尔定理（Parseval's Theorem）揭示了信号在时域中的能量等于频域中的能量，是能量谱密度概念的数学基础。
8.1 定理的数学证明
若 ( x(t) \leftrightarrow X(\omega) )，则：
[ \int_{-\infty}^{\infty} |x(t)|^2 dt = \frac{1}{2\pi} \int_{-\infty}^{\infty} |X(\omega)|^2 d\omega ]
证明的思路是利用傅里叶变换的“内积保持”性质。设 ( y(t) = x(t) )，那么：
[ \int_{-\infty}^{\infty} x(t) x^(t) dt = \int_{-\infty}^{\infty} x(t) \left[ \frac{1}{2\pi} \int_{-\infty}^{\infty} X^(\omega) e^{-j\omega t} d\omega \right] dt ]
这里把 ( x^*(t) ) 用逆变换的共轭表示。交换积分顺序：
[ = \frac{1}{2\pi} \int_{-\infty}^{\infty} X^(\omega) \left[ \int_{-\infty}^{\infty} x(t) e^{-j\omega t} dt \right] d\omega = \frac{1}{2\pi} \int_{-\infty}^{\infty} X^(\omega) X(\omega) d\omega ]
最终：
[ = \frac{1}{2\pi} \int_{-\infty}^{\infty} |X(\omega)|^2 d\omega ]
更一般地，对任意两个信号 ( x(t) ) 和 ( y(t) )，有：
[ \int_{-\infty}^{\infty} x(t) y^(t) dt = \frac{1}{2\pi} \int_{-\infty}^{\infty} X(\omega) Y^(\omega) d\omega ]
这就是傅里叶变换的“保内积”性质（Parseval 定理的推广形式）。证明思路一模一样，只要把其中一个信号用逆变换展开再交换顺序就可以了。
8.2 从信号能量到功率谱密度
帕塞瓦尔定理的意义在于：它为“信号的功率/能量在频域中如何分配”提供了数学依据。我们把 ( |X(\omega)|^2 ) 定义为能量谱密度（Energy Spectral Density, ESD），表示单位频率上的信号能量。那么总能量就是能量谱密度的积分（除以 ( 2\pi )）。
在工程中，这个定理被用来从频域角度解释滤波器的能量传递特性。比如，当你设计一个低通滤波器时，我们关心的是通带内的能量保留了多少、阻带内的能量衰减了多少，这些都可以通过帕塞瓦尔定理在频域中直接计算总能量，而不需要回到时域去积分。这个定理在匹配滤波器的推导中也是核心依据——匹配滤波器之所以能在输出端最大化峰值信噪比，本质上是帕塞瓦尔定理在起作用。
帕塞瓦尔定理还有一个经常被忽略的延展：它能用来验证傅里叶变换计算的正确性。当你手动计算了一个信号的傅里叶变换，却不确定结果是否正确时，可以对时域信号求能量积分、对频域结果求能量积分，看两者是否一致（别忘了 ( 1/2\pi ) 因子）。这个验证方法我用了很多年，确实能抓住不少低级计算错误。
9. 傅里叶变换性质证明的系统方法论总结
如果你认真把上面的证明都推了一遍，会发现一个很有意思的规律：几乎所有的性质都来自同一个套路——把傅里叶变换的定义式（或逆变换定义式）写出来，然后做变量代换、交换积分顺序或利用欧拉公式，就完事了。它们的难度差异，本质上只在于“是否需要对积分限的走向做仔细讨论”“是否要处理广义函数”。
9.1 四条通用的证明技巧
回顾所有性质的证明，可以提炼出四条核心技巧：
代入定义法。线性、时移、频移、尺度变换，性质左侧直接代入正变换定义，通过变量代换得到右侧结果。这是最基础、也是绝大部分性质通用的方法。
交换积分顺序法。卷积定理（时域和频域）、帕塞瓦尔定理的证明都依赖这一步。关键在于确认被积函数满足 Fubini 定理的条件，工程信号一般默认成立，但在严格的数学处理中需要补充说明。
从逆变换定义出发。微分性质的证明用到了这个技巧——对逆变换表达式两边求导，把微分操作“搬进”积分号内。频域卷积定理的证明也采用了相同思路，对 ( x_1(t) ) 做逆变换展开，最终巧妙地凑出卷积形式。
借助单位冲激和阶跃信号。对于不满足绝对可积的信号（如积分性质、直流信号、阶跃信号），直接用定义积分是行不通的，此时可以通过卷积定理和广义函数的已知变换对来间接推导。
9.2 容易出错的地方和检查清单
我自己在推这些证明时踩过不少坑，总结如下，供大家参考：
- 系数 ( 1/2\pi ) 的归属：频域卷积定理有 ( 1/2\pi )，帕塞瓦尔定理的能量积分也有 ( 1/2\pi )，而时域卷积定理没有。如果你用的是频率 ( f ) 的定义，这些系数会消失。务必先确认自己用的是哪套定义再动手计算。
- 尺度变换的负号处理：( a < 0 ) 时，积分限反转会产生一个负号，同时 ( 1/a ) 本身是负数，两者结合才出现绝对值。不少同学直接写成 ( 1/a X(\omega/a) )，对 ( a < 0 ) 的情况就错了。
- 交换积分顺序的前提：教科书往往默认可交换，但遇到引入冲激函数的广义变换时，交换顺序需要谨慎。比如推导 ( \mathcal{F}{1} = 2\pi\delta(\omega) ) 时，不能强行套用常规积分交换规则。
- 微分性质与直流分量：( dx/dt ) 的频谱在 ( \omega=0 ) 处被强制置零。如果原信号有直流偏置，从导数信号恢复原始信号时，必须额外给定 ( x(0) ) 之类的初始条件。
- 频域卷积的 ( * ) 符号：卷积运算在频域中也有形式完全相同的定义 ( X_1(\omega) * X_2(\omega) = \int X_1(v) X_2(\omega-v) dv )，不要和乘法混淆。
如果每次做完一个性质的证明，都能自觉地记录“这个证明用了什么技巧、卡在了哪里、有哪些前提条件”，用不了多久，你就能形成一套属于自己的证明方法论。
10. 从证明到应用：一个小型实战演练
理论的证明如果只停留在纸面上，就失去了它真正的价值。这里我做一个小型实战演练，把这些性质串起来用一遍。
假设要计算下面这个信号的傅里叶变换：
[ g(t) = e^{-2(t-1)} u(t-1) \cdot \cos(10t) ]
直接硬算积分非常繁琐。但如果分步使用性质，整个过程就很清爽。
先处理 ( h(t) = e^{-2t} u(t) )。这是单边指数信号，其傅里叶变换是教科书里的经典结果：
[ H(\omega) = \frac{1}{2 + j\omega} ]
然后利用时移性质，处理 ( h(t-1) = e^{-2(t-1)} u(t-1) )：
[ h(t-1) \leftrightarrow H(\omega) e^{-j\omega} = \frac{e^{-j\omega}}{2 + j\omega} ]
接着处理 ( \cos(10t) ) 的调制作用，利用频移性质的实数形式：
[ \cos(10t) = \frac{e^{j10t} + e^{-j10t}}{2} ]
于是：
[ g(t) = h(t-1) \cdot \frac{e^{j10t} + e^{-j10t}}{2} ]
利用频移性质：
[ h(t-1) e^{j10t} \leftrightarrow \frac{e^{-j(\omega-10)}}{2 + j(\omega-10)} ]
[ h(t-1) e^{-j10t} \leftrightarrow \frac{e^{-j(\omega+10)}}{2 + j(\omega+10)} ]
最终：
[ G(\omega) = \frac{1}{2}\left[\frac{e^{-j(\omega-10)}}{2 + j(\omega-10)} + \frac{e^{-j(\omega+10)}}{2 + j(\omega+10)}\right] ]
整个过程没做任何积分，全部是性质的叠加应用。从结果中可以很清楚地看到：原信号有一个 10 rad/s 的载频，所以频谱对称地出现在 ( \omega = \pm 10 ) 附近；时移 1 秒引入了线性相位因子 ( e^{-j\omega} )；指数衰减部分决定了频谱在频域中的滚降行为。
这就是性质的威力：它们不只是理论习题，更是分析信号频谱的思维工具。掌握好这些证明，不仅仅是为了应对考试中的推导题，更是打好信号处理基本功的必经之路。如果你正在学习这部分内容，建议不要满足于背结论，花一个下午的时间，拿起笔，把所有性质的证明过一遍，你之后使用傅里叶变换的底气会完全不一样。相信我，这笔时间花得很值。