雷达检测这块，我以前用FFT做了很久，总被一个事卡住：目标回波是一个几十纳秒的瞬态脉冲，混在热噪声和杂波里，FFT一摊平，整个频域都找不到那个“一下”的信号。后来换成小波变换，事情才通顺起来。这篇就把我用小波变换做雷达目标探测的完整思路、Matlab源码设计、参数踩坑和报告写作骨架整理出来，适合正在做雷达信号仿真、探地雷达数据处理，或者毕设里选了“小波变换雷达探测”方向的同学直接参考。

1. 为什么雷达回波检测绕不开小波变换：被傅里叶掩盖的瞬态信息

1.1 一个让我放弃FFT的现场问题

我最早做的是脉冲雷达回波仿真，发射一个1微秒的线性调频脉冲，目标回波返回后，混入高斯白噪声。当时用FFT想从频域找目标特征，结果发现一个问题：窄脉冲经傅里叶变换后，频谱能量被摊到很宽的频带上，根本看不出信号和纯噪声的差异。你盯着屏幕上那条平直的频谱曲线，完全说不清目标在哪个频率上增加了一丁点幅度。

后来换了一个角度思考：雷达回波的问题本质不是“信号在哪个频率上”，而是“信号在哪个时刻出现”。这个“出现”是一个瞬态突变，而傅里叶变换的基函数是无限长的正弦波，本质上是拿全局的视角去看局部事件，信息自然会被摊薄。小波变换不一样，它用有限长的、可伸缩的小波基去匹配信号，相当于拿着一把可以调焦的放大镜，在时域上逐点扫描信号突变的位置。这个特性，恰好是雷达目标检测最需要的。

1.2 小波变换到底比傅里叶多了什么

我打个比方：FFT像是站在楼顶看整条街，能看出街区整体灯光亮暗，但看不出某一刻某扇窗里有人开灯；小波变换是拿着手电筒沿街扫，哪个窗口灯光跳了一下，立刻就能定位。这里的关键是时频局部化：傅里叶变换只有频率分辨率，没有时间分辨率；短时傅里叶变换虽然有了一定的时间窗，但窗长固定，高频和低频都用一个尺子去量。小波变换的高低频分析互不干扰，高频处自动用窄窗，低频处自动用宽窗，这种自适应特性在分析雷达回波这种“背景噪声平稳、目标突变瞬态”的信号时，效果远好于固定窗分析。

具体到实现，Matlab里常用的两种形式：

• 连续小波变换（CWT）：对每个尺度做内积，输出一个时频二维矩阵，最适合看目标在时频图上的“模极大值线”。
• 离散小波变换（DWT）：通过滤波器组逐层分解，得到逼近系数和细节系数，适合做去噪和重构。

雷达探测项目里，CWT和DWT常常配合使用：先用CWT观察目标回波在哪个尺度上能量最集中，再用DWT在对应频带的细节系数上做阈值处理，去噪定位。很多公开的Matlab源码包也确实是这么组织的：CWT做分析，DWT做去噪。

下面这个表格是我常用来给项目报告配图的对比表，说明为什么不用传统方法：

1.3 小波变换在雷达领域的具体价值

小波变换对雷达项目不是花架子，至少解决三个实际问题：一是瞬态目标回波的检测，比如无人机的机身回波、雷达散射截面很小的目标，它们的特点就是持续时间短、出现时刻随机，FFT容易漏；二是强杂波背景下的弱目标提取，通过小波多尺度分解，可以把目标回波和地杂波、海杂波在尺度上分开；三是回波降噪后的距离定位，去噪后波形更干净，峰值定位才能稳定。理解了这三点，你再看标题里的“雷达探测”，就知道这个项目核心不是造雷达，而是用信号处理手段把被噪声盖住的目标回波“挖”出来。

2. 从信号模型到距离换算：雷达目标探测的数学底座

2.1 雷达回波是怎么生成的

做仿真项目，第一步永远是建立信号模型。雷达发射信号可以简化写成：

s(t) = A(t) * cos(2π * fc * t + φ(t))

其中fc是载频，A(t)是包络。接收端混频下变频后，得到的是基带信号。目标回波相比发射信号，主要变化是时延和幅度衰减。时延对应目标距离，幅度衰减由雷达方程决定。这个项目里我用的仿真参数如下：

这里有个容易忽略的点：采样率决定了距离分辨率。距离分辨率大约等于 c / (2 * B)，B是信号带宽。采样率100MHz时，一个采样间隔对应距离约1.5米。目标间距小于1.5米时，波形上会混在一起，小波也分不开，这不是算法问题，是物理极限。

2.2 目标距离和回波时延的关系

雷达测距的基本公式就一行：

R = c * τ / 2

c是光速，τ是回波相对发射时刻的时延，除以2是因为电磁波走了个来回。这个公式是所有雷达目标定位的核心，小波变换做完去噪后，最终要落到的就是“找出回波峰值的时间位置，再换算成距离”。我仿真时目标1设置在500米，时延是：

τ = 2 * R / c = 1000 / 3e8 ≈ 3.33 us

在fs=100MHz采样下，也就是大约第333个采样点。如果你看到别人的Matlab源码里目标位置不是按“米”写，而是按“采样点数”写，就是这个原因。

2.3 噪声和杂波怎么加到回波上

雷达检测难，难在信号被噪声和杂波污染。仿真中最常用的是高斯白噪声模型，Matlab里用awgn函数直接加特定SNR的噪声，或者用randn手动控制噪声功率。手动加噪声的写法我更喜欢，因为可以精确知道信号功率和噪声功率，后续算检测概率时心里有底：

% 手动控制SNR加噪 Ps = mean(abs(x_signal).^2); % 信号平均功率 Pn = Ps / (10^(SNR_dB / 10)); % 由目标SNR反推噪声功率 noise = sqrt(Pn) * randn(size(x_signal));% 高斯白噪声 x_noisy = x_signal + noise; % 含噪回波

杂波和噪声不一样，噪声是随机白噪，杂波是有结构的干扰，比如地杂波在低频、海杂波有一定起伏周期。小波变换的优势恰恰在这里：通过多尺度分解，杂波和目标往往落在不同频带或不同尺度。如果你做进阶项目，可以往回波里叠加一个低频起伏分量模拟地杂波，再看小波分解后目标是否在细节分量里仍然明显，这个实验写进报告里会非常加分。

3. Matlab中如何选择小波基与分解层数：一条可复现的选择路径

3.1 常见小波基的特点

小波变换的参数选择没有绝对标准，但雷达回波这类瞬态脉冲信号，选择上有明确倾向。Matlab的wavelet工具箱里常用的小波基包括：db系列（Daubechies）、sym系列（Symlets）、coif系列（Coiflets）、bior系列（双正交），以及用于CWT的morl（Morlet）和mexh（墨西哥帽）。

我给雷达项目选小波基时，遵循一个原则：小波基的形状和目标回波形态越接近，系数峰值越突出。雷达目标回波往往是单次振荡衰减或短脉冲，因此紧支撑、有一定阶数、波形不对称的db4、sym3比较常用；如果目标是连续波或多脉冲串，则用更长阶数的db6或sym5更好。下面这个表可以放在项目报告的参数分析章节：

3.2 分解层数的经验法则

分解层数太多，会把目标的瞬态特征也抹掉；太少了，噪声分离不干净。我的经验是从层数3到6开始试，观察每层细节系数的能量分布。目标回波能量集中的那一层，细节系数会出现明显凸起。如果目标回波脉宽约1us，采样率100MHz，那小波基的有效持续时间约为脉宽的2到4倍，能量主要落在第2到第4层细节系数里。

Matlab里检查每层能量分布的方法很简单：

wname = 'db4'; level = 5; [C, L] = wavedec(x_noisy, level, wname); for i = 1:level d = wrcoef('d', C, L, wname, i); % 提取第i层细节系数重构 energy = sum(d.^2); fprintf('第%d层细节能量：%.4f\n', i, energy); end

如果某层能量突然明显高于其他层，目标大概率就在这层。这是一种数据驱动的小波基和层数选择方法，比拍脑袋定参数靠谱得多。

3.3 小波基选择的几个坑

我踩过的坑有三个，写出来给你避雷。

第一个坑是迷信“越高阶越好”。db20这样的高阶小波虽然频域分辨率好，但时域支撑太长，瞬态脉冲会被拉宽，定位精度下降。雷达回波是短促信号，优先考虑低阶。

第二个坑是忽略边界效应。DWT分解的本质是滤波卷积，信号两端没有足够的样本时，系数会失真。默认情况下，wavedec使用对称扩展，但目标如果恰好落在信号边缘，检测结果可能偏差几十个采样点。处理方式是在信号两端各加一段“保护带”，检测完再裁掉，或者用dwtmode设置扩展方式。

第三个坑是层数固定不调整。目标距离变了，回波的时延变了，同一层细节系数里目标成分的强度也会变。项目里我把分解层数设为5层，但实际检测时会在3、4、5层分别做检测，取一致性最高的结果。这样看似多算了两次，但换来的是定位稳定性。

4. 阈值去噪与目标定位：核心源码的拆解与逐行注释

4.1 去噪流程和阈值方法对比

DWT去噪的流程是固定的四步：分解 → 选择阈值 → 处理细节系数 → 重构。小波去噪之所以比传统滤波器去噪好，是因为它能区分“噪声产生的小系数”和“目标产生的较大系数”，直接对小系数动手，保留大系数，这样信号突变特征不失真。

阈值选择上，Matlab的thselect函数提供了四种方法：

低SNR场景我优先推荐heursure，它相当于是“先看噪声水平，再决定该狠一点还是保守一点”。高SNR下rigrsure能给出更尖锐的峰值。千万别一开始就选固定阈值，雷达回波不是平稳信号，固定阈值很容易把弱目标细节误删。

4.2 核心定位源码拆解

下面这段代码是整个项目最核心的部分：含噪回波输入，小波去噪输出，再在重构信号里找峰值定位目标距离。我加了逐行注释，你可以直接抄进项目里改参数：

function target_pos = wavelet_radar_detect(x_noisy, fs, wname, level) % 小波变换雷达目标检测 % 输入：x_noisy 含噪回波, fs 采样率, wname 小波基, level 分解层数 % 输出：target_pos 目标距离（米） c = 3e8; % 光速 x_denoised = wdenoise_radar(x_noisy, wname, level); % 小波去噪 % 找峰值（幅度阈值取重构信号绝对值的0.6倍） thr_peak = 0.6 * max(abs(x_denoised)); [pks, locs] = findpeaks(abs(x_denoised), 'MinPeakHeight', thr_peak, ... 'MinPeakDistance', round(fs * 1e-6)); % 最小峰值间隔1us，过滤假峰 if isempty(locs) target_pos = []; return; end target_pos = c * (locs - 1) / fs / 2; % 采样点转时间，时间转距离 end function x_denoised = wdenoise_radar(x, wname, level) [C, L] = wavedec(x, level, wname); % 小波分解 % 用heursure方法选阈值，只处理细节系数，逼近系数不动 for i = 1:level d = wrcoef('d', C, L, wname, i); thr = thselect(d, 'heursure'); d_new = wthresh(d, 's', thr); % 软阈值处理 C(L(i)+1 : L(i+1)) = d_new; % 写回细节系数 end x_denoised = waverec(C, L, wname); % 重构 end

软阈值和硬阈值的区别，很多人可能没细想。硬阈值是“小于阈值的置零，大于阈值保持不变”，缺点是重构信号会有跳跃，定位时可能产生伪峰；软阈值是“小于阈值置零，大于阈值则减去阈值”，信号更平滑，定位更稳定。雷达项目我建议用软阈值。你把上面代码里的's'改成'h'试试，去噪后的波形尾巴会明显毛躁一些。

4.3 多目标情况和“假峰”处理

雷达回波经常有多个目标，对应多个回波脉冲。用findpeaks找峰时，最麻烦的不是峰太少，而是假峰太多。原因有两种：一是噪声还没完全去掉，二是目标回波的旁瓣被小波重构后放大了。

我处理假峰的思路是三道过滤：第一道是峰值高度过滤，小于主峰一定比例的不算；第二道是最小间隔过滤，两个峰靠得太近（小于脉冲宽度的2倍）时只保留高的一头；第三道是跨层验证，同一个位置如果只在某一层出现而其他层没有，基本是噪声。三道下来，误检率能压到很低。如果你想再严谨一点，可以再做一次CFAR思路的参考滑窗，把局部背景功率算出来，峰值必须超过局部背景一定倍数才保留。

4.4 去噪边界效应的实测踩坑

这是整个项目里让我花时间最多的问题。最初用wavedec去噪后，信号起点和终点总是出现幅度异常的高峰，距离换算后正好对应零距离和最大距离，像是凭空多出的目标。查了半天，根源是分解重构时边界效应叠加了阈值处理：边界处系数失真，阈值处理后又放大了失真。

解决方式有三种：一是在信号两端各扩展200个采样点（补零或镜像），处理完再裁掉；二是用dwtmode('per')改成周期扩展，适合短信号但不是所有场景都稳；三是检测时只截取信号中间90%的区域，两端各留5%不用。我现在默认用第一种，多写几行代码但结果干净。如果你在别人的源码里看到对“边缘假目标”的处理逻辑，基本都是这个思路。

5. 蒙特卡洛仿真：检测率和虚警率到底怎么算

5.1 为什么单次检测说明不了问题

做雷达检测项目，最忌讳的就是跑一次波形，看到峰值了就宣布“检测成功”。单次仿真里噪声是随机的，这次恰好噪声没盖住目标，下次可能就盖住了。所以正规的检测性能评估要用蒙特卡洛仿真：同一组雷达参数和SNR条件下，重复几百上千次，统计出目标被正确检测的比例和没有目标时报出距离的比例。

这里有两个术语你要搞清楚：检测概率（Pd）是“有目标时能检测出来”的概率，虚警概率（Pfa）是“没有目标却报出目标”的概率。一个理想的检测器是Pd越高越好、Pfa越低越好，但两者此消彼长。小波变换雷达探测项目的核心指标，就是一组随SNR变化的Pd曲线，再配上Pfa曲线说明虚警可控。

5.2 蒙特卡洛仿真流程与代码框架

蒙特卡洛仿真的做法不复杂，但要注意“随机种子每次不同”和“目标位置每次可以微调”两个细节。我常用的框架是这样：

Ntrials = 500; % 蒙特卡洛次数 SNR_list = -5:2:10; % 扫描的SNR范围 Pd = zeros(size(SNR_list)); % 检测概率 Pfa = zeros(size(SNR_list)); % 虚警率 for si = 1:length(SNR_list) hit_count = 0; fa_count = 0; for trial = 1:Ntrials x_noisy = gen_radar_echo(SNR_list(si)); % 含噪回波 pos = wavelet_radar_detect(x_noisy, fs, 'db4', 5); % 检测到目标且距离误差小于10米，记为命中 if ~isempty(pos) && abs(pos(1) - true_range) < 10 hit_count = hit_count + 1; end % 单独跑一次纯噪声序列，记录是否虚警 noise_only = sqrt(Pn) * randn(size(x_noisy)); pos_noise = wavelet_radar_detect(noise_only, fs, 'db4', 5); if ~isempty(pos_noise) fa_count = fa_count + 1; end end Pd(si) = hit_count / Ntrials; Pfa(si) = fa_count / Ntrials; end

注意虚警率的计算要在纯噪声条件下单独跑，不能和有目标的状态混在一起。很多初学仿真的人把虚警定义成“检测到错误位置”，这是不严谨的，会虚高你的检测性能。

5.3 怎么看懂仿真结果曲线

仿真跑完，把SNR_list作为横轴、Pd作为纵轴画出来，你会看到一条典型的S形曲线：SNR很低时Pd接近0，中间一段迅速上升，高SNR时趋近1。这条曲线的上升沿越陡，说明检测器性能越好。如果曲线始终上不去，比如SNR到了10dB还只有60%，那问题大概率出在阈值上——阈值选太大，把目标一起削掉了。

我实际跑下来，用db4、5层分解、heursure阈值这套组合，在SNR=0dB时Pd大约能到90%以上，Pfa低于1%。如果你拿到的源码检测率比我说的差很多，先别怀疑小波变换，去检查一下信号模型里有没有把目标回波的功率算对，很多人加噪时把SNR定义搞反了。

6. 含报告项目的交付细节：从源码到实验报告的骨架

6.1 报告结构怎么搭才算完整

标题里写着“含报告”，说明这个项目不只要能跑，还要能交出一份像样的技术报告。我审过不少类似的项目报告，结构上最常见的毛病是“原理讲太多，实验讲太少”。雷达检测项目的报告核心应该落在“仿真过程可复现、参数选择有依据、结果曲线能说明问题”这三件事上。

我推荐的结构是七段式：摘要、雷达目标回波模型、小波变换检测原理、系统设计与参数选择、仿真结果与分析、结论、参考文献。摘要里写清楚“用什么方法、达到什么指标”，比如“采用db4小波基结合5层分解与heursure阈值去噪，在SNR=0dB条件下检测概率达到90%以上”。这个数值一出来，整篇报告的含金量就有了。

6.2 报告里的图和表应该长什么样

报告的图片质量决定评审的第一印象。我建议至少配五张图：含噪回波时域波形图、小波分解各层细节系数图、去噪前后对比图、目标位置定位标注图、Pd-SNR蒙特卡洛曲线图。这五张图覆盖了从“信号长什么样”到“方法为什么有效”到“性能到底如何”的完整证据链。

出图时有个小技巧：Matlab的figure窗口里用网格、坐标轴标签、图例三件套是基本操作，但真正让图变专业的是坐标轴范围和颜色风格。波形图统一用黑色线条，去噪前后对比用上下两个子图，不要让两条曲线叠在一起，否则评审看不出差异。定位图在峰值处加一个垂直虚线标注目标距离，配合一个“目标1: 500m”的文字框，比干瞪一条曲线强得多。

6.3 源码目录设计与README撰写

源码的目录结构直接反映一个人的工程素养。这个项目我建议这样组织：

radar_wavelet_project/ ├── main.m % 主程序，一键运行全部仿真 ├── gen_radar_echo.m % 生成含噪雷达回波 ├── wavelet_radar_detect.m % 小波去噪与目标定位 ├── monte_carlo_sim.m % 蒙特卡洛性能仿真 ├── run_all_report.m % 生成报告所需全部图 ├── README.md % 项目说明 └── report/ % 项目报告文档

README里必须写清楚三件事：运行环境（Matlab版本，我用的是R2021b，工具箱需要Wavelet Toolbox和Signal Processing Toolbox）、参数修改位置（目标距离、SNR、小波基都集中在main.m开头的配置区）、输出结果（运行后会在当前目录生成哪些图和mat数据）。很多源码包被人吐槽“跑不起来”，八成是README没说清楚前置条件。

6.4 常见问题排查清单

最后一份清单，是我替学生排查时最常解决的问题，写在这里给你当速查表：

按这个清单排查，基本能覆盖项目里90%的异常情况。如果涉及真实雷达数据，还要考虑数据格式读取和时间同步，那是另一个话题了。

说实话，小波变换雷达探测这个项目，原理不难，难的是把每一步参数都调到“刚刚好”。小波基、分解层数、阈值方法、峰值判定，四层参数互相影响，我做的时候光调参就花了两个晚上。但调通之后，看到0dB信噪比下目标距离误差在10米以内，那种满足感是真切的。最后分享一个我自己后期加上的升级点：不要只检测单尺度，把CWT的时频图算出来，在时频平面上对目标模极大值连线做匹配，低信噪比下的稳定性会再上一个台阶。这个思路留给有兴趣深挖的同学，值得一试。