1. 先把问题摆清楚：滤波和频域变换为什么总被绑在一起

信号处理这块，很多人第一次接触滤波器是在课本上看到那一堆传递函数，然后被拉普拉斯变换劝退。我当年也是这样。真正让我搞明白低通、高通、带通、带阻这四类滤波器各自定位的，不是推导公式，而是某次处理一段带工频干扰的传感器数据——我需要把某个固定频率的“刺”拔掉，同时保住低频的趋势项。那次之后，低通、高通、带通、带阻在我脑子里才算各就各位。而把这件事做得又快又直观的路径，就是用 Python 里的FFT 和 IFFT做频域分析、用scipy.signal做时域滤波设计，两条路互相印证。

这篇内容适合三类人：刚学完数字信号处理课程、想把公式落成代码的学生；手里有一堆采样数据、需要去噪或提特征的工程实践者；以及写 Python 数据分析脚本、临时需要“把这段信号滤一下”的开发者。我会把那四个滤波器的参数怎么定、FFT 出来的频率轴怎么对上、IFFT 还原时哪里最容易翻车，全部拆开讲，代码可以直接抄。

我先把最核心的一句话放在前面：滤波器本质上是在频域里做取舍，FFT 只是把这个取舍过程可视化并加速了。你理解了“哪些频率该留、哪些该扔”，剩下的就是参数和工具的事。而绝大多数人卡住的地方，恰恰不是滤波器公式，而是几个很具体的工程细节——归一化频率算错了、双边谱没取对称、filtfilt用在了不该用的地方、IFFT 之后发现信号整体位移了。这些我在后面都会一个一个拎出来。

2. 从采样率出发：FFT 到底算出了什么，频率轴怎么对上

2.1 频率分辨率是手算出来的，不是软件猜的

很多人调用np.fft.fft(x)之后直接画图，横轴随便标个 0 到 N，然后看着一堆峰不知道对应多少赫兹。问题出在没有建立“采样率—点数—频率分辨率”这条链。假设采样率fs = 1000 Hz，采样点数N = 1000，那么这段数据在时间上覆盖 1 秒，频率分辨率df = fs / N = 1 Hz。也就是说，FFT 输出的第 k 个点，对应的频率是k * df。

如果你的数据是 2.5 秒、采样率 500 Hz，那么N = 1250，df = 500 / 1250 = 0.4 Hz。想提高分辨率只有两条路：拉长采样时间，或者降低采样率（后者会牺牲高频信息，通常不可取）。这里有个反直觉的点——补零不能提高真实分辨率。你给 1000 个点补到 4096 个点再做 FFT，频率轴看起来更密了，但那只是频谱插值，两个相邻频率成分依然分不开，因为真实的时间窗长度没变。我见过不少人以为补零能“看得更清楚”，结果在密集谱线场景下判断失误。

import numpy as np fs = 1000.0 N = 1000 x = np.random.randn(N) X = np.fft.fft(x) freqs = np.fft.fftfreq(N, d=1.0 / fs) df = fs / N print(f"频率分辨率: {df} Hz") print(f"第一个正频率点: {freqs[1]} Hz") print(f"奈奎斯特频率: {fs / 2} Hz")

fftfreq返回的数组前半段是 0 到接近fs/2的正频率，后半段是负频率。奈奎斯特频率是能表示的最高频率，等于fs/2，超过这个频率的成分会被折叠（混叠）到低频，这是采样定理的硬约束，任何后处理都救不回来。所以采集端的抗混叠滤波永远排在第一位，这一点我在多个项目里反复验证过。

2.2 单边谱、双边谱和 fftshift 的三个坑

np.fft.fft输出的是双边谱，正负频率都有。对于实信号，负频率部分是正频率的共轭镜像，信息是冗余的。做幅频分析时，我们通常只看单边谱，并且要注意幅值换算：单边谱的幅值要乘以 2（直流分量和奈奎斯特点除外），再除以 N。忘记除以 N，画出来的“幅值”会随点数变化，完全没法横向比较；忘记乘 2，非直流成分的幅值会少一半。

X = np.fft.fft(x) half = N // 2 amp = np.abs(X[:half]) / N amp[1:] *= 2 # 除直流外乘2 freqs_half = np.fft.fftfreq(N, 1/fs)[:half] # 或者用 rfft 一步到位 X_r = np.fft.rfft(x) freqs_r = np.fft.rfftfreq(N, 1/fs) amp_r = np.abs(X_r) / N amp_r[1:-1] *= 2

np.fft.fftshift的作用是把零频搬到数组中间，画图时更符合直觉。但要注意，fftshift 之后频率轴的顺序也变了，如果你后续要在这个数组上做掩码操作，必须用fftshift后的fftfreq配合，否则掩码会错位。这个错误极其隐蔽——图看起来很正常，滤波结果却是乱的。我的习惯是：分析画图用fftshift，频域处理一律用未 shift 的原始顺序，或者干脆用rfft系列，省掉正负频率的心智负担。

2.3 IFFT 还原前必须确认的三件事

用 FFT 处理完频谱、准备ifft回时域时，有三件事必须先确认。第一，掩码是否保持了共轭对称性。如果你直接把负频率部分清零、只留正频率，IFFT 出来的结果会是复数，实部幅值只有原来的一半，虚部还带着残余。第二，长度是否一致。频域改了长度（比如补零），ifft的时候要用n=参数指定正确的点数，否则时域时长会变。第三，是否做了必要的缩放。某些库的正逆变换归一化约定不同，来回变换后幅值会差一个 N 倍，务必用简单正弦做一次往返测试验证。

# 正确的做法：用 rfft / irfft，天然处理实信号 X_r = np.fft.rfft(x) f = np.fft.rfftfreq(N, 1/fs) mask = (f <= 100.0) # 低通掩码，保留 100 Hz 以下 y = np.fft.irfft(X_r * mask, n=N) print("还原后是否为实数:", np.isrealobj(y))

用rfft/irfft这一对，等于把共轭对称性交给库去管，我在这类频域滤波脚本里基本只用它。反过来，如果你出于某种原因必须用fft/ifft，那掩码一定要写成“以零频为中心对称”的形式，比如mask = np.abs(f) <= 100，这样正负频率同时被保留，还原出来才是实信号。这两种写法我都见过大量误用，尤其是从网上抄来的代码片段，往往只对一个特定长度成立，换个数据就崩。

3. 四类滤波器的参数怎么定：从需求到 scipy 代码

3.1 先明确“留什么、扔什么”，再谈工具选型

低通、高通、带通、带阻的定义其实一句话就能说清：低通保留低频、高通保留高频、带通只保留某一段、带阻只挖掉某一段。真正的难点在于把模糊的工程需求翻译成具体的数值。比如“去掉高频噪声”，高频是多高？我的经验是先去画一次原始信号的频谱，看噪声和有用信号的分界大概在哪个频率，把这个分界作为截止频率的起点，然后留出足够宽的过渡带。

工具选型上，Python 生态里做 IIR 滤波器设计首选scipy.signal的butter、cheby1、ellip，做 FIR 用firwin或remez。巴特沃斯（butter）幅频响应最平滑，通带内没有纹波，代价是过渡带较宽；切比雪夫（cheby1）过渡带更陡，但通带会有纹波；椭圆滤波器（ellip）最陡，通带阻带都有纹波。我一般默认用巴特沃斯，除非对过渡带宽度有硬性要求。原因很简单：平滑的通带意味着信号波形失真小，而多数去噪场景并不在意那点多出来的过渡带。

阶数是另一个关键参数。巴特沃斯的幅频响应在截止频率之后大约每阶每十倍频程衰减 20 dB。举例来说，4 阶低通，截止 100 Hz，那么在 200 Hz 处的衰减大约是20 * 4 * log10(200/100) ≈ 24 dB，也就是幅值降到约 6%。如果你需要 200 Hz 处衰减 60 dB，那就得把阶数提到 10 阶左右，但阶数越高，数值稳定性和相位失真越成问题。一般工程上 2 到 6 阶就够用，不够就考虑换更陡的滤波器类型，而不是无脑堆阶数。

3.2 低通和高通：归一化频率是唯一的坑

scipy.signal.butter最难记的一点是：截止频率Wn必须是归一化到奈奎斯特频率的值，范围 0 到 1。也就是说，Wn = fc / (fs / 2)。这个设计让同一套代码适配任意采样率，但也是新手翻车最多的地方——直接传fc = 100进去，如果fs = 1000，归一化后应该是 0.2，传 100 会直接报错或得到荒谬的结果。

import numpy as np from scipy import signal fs = 1000.0 fc_low = 100.0 # 低通：保留 100 Hz 以下 wn = fc_low / (fs / 2) b_lp, a_lp = signal.butter(N=4, Wn=wn, btype='low', analog=False) # 高通：保留 20 Hz 以上（常用于去基线漂移） fc_high = 20.0 wn_hp = fc_high / (fs / 2) b_hp, a_hp = signal.butter(N=4, Wn=wn_hp, btype='high', analog=False) # 查看实际频响，验证设计是否符合预期 w, h = signal.freqz(b_lp, a_lp, worN=2048, fs=fs)

signal.freqz这一步千万别省。设计完滤波器立刻画一次幅频响应，看清楚截止频率位置对不对、过渡带多宽、阻带衰减够不够。我见过有人把btype写错、把采样率记错，全靠这一步检查抓出来。另外freqz传了fs参数之后，返回的w直接就是赫兹，不用再自己换算，这个小细节能省不少事。

高通的截止频率选择有个常见误区：不要贴着有用信号的下边界设。比如有用信号最低到 5 Hz，你把高通截止设成 5 Hz，过渡带会把 5 到 10 Hz 的成分也削掉一部分。稳妥的做法是往下留一半，截止设在 2 到 3 Hz。低频段的相对误差本来就大，留余量比精确卡边重要得多。

3.3 带通和带阻：两个截止频率的顺序与写法差异

带通和带阻都需要传两个截止频率，区别在于btype和数组顺序。butter对Wn数组的要求是从小到大排列，无论带通还是带阻都一样。带通的语义是“保留 low 到 high 之间”，带阻是“挖掉 low 到 high 之间”。写反顺序会直接抛异常，这个还算好排查；真正麻烦的是把带通的语义理解反了，结果滤出来的信号完全对不上。

f1, f2 = 30.0, 80.0 wn_bp = [f1 / (fs / 2), f2 / (fs / 2)] b_bp, a_bp = signal.butter(4, wn_bp, btype='bandpass') # 保留 30~80 Hz b_bs, a_bs = signal.butter(4, wn_bp, btype='bandstop') # 挖掉 30~80 Hz

带阻滤波器最典型的应用就是工频干扰抑制。假设采样率 1000 Hz，要挖掉 50 Hz 附近的干扰，把带阻设成 48 到 52 Hz 就够了吗？不一定。实际干扰往往有一定带宽，而且电网频率本身会有微小漂移。我的经验是带宽设到 4 到 6 Hz，也就是 47 到 53 Hz 左右，同时阶数不要太高，2 到 4 阶即可，避免阻带边缘产生明显的振铃。如果干扰极其稳定、带宽很窄，也可以考虑更窄的陷波器（signal.iirnotch），它专门针对单一频率点设计，参数更少、更聚焦。

提示：带通和带阻的过渡带宽度直接受到两个截止频率间距的限制。间距很窄时，IIR 滤波器的阶数需求会急剧上升，数值稳定性也会变差。遇到这种情况，优先考虑频域掩码法，或者改用 FIR。

3.4 零相位滤波 filtfilt：好用的前提是你理解它的代价

设计出b, a之后，如果直接用signal.lfilter做因果滤波，会引入相位延迟——波形整体向后平移，而且不同频率的延迟量不同。对于“我只是想看波形”或者“特征提取”的场景，这个延迟会污染结果。解决办法是signal.filtfilt，它做前向加反向两次滤波，相位正好抵消，实现零相位。

y_causal = signal.lfilter(b_lp, a_lp, x) # 有相位延迟 y_zero = signal.filtfilt(b_lp, a_lp, x) # 零相位，幅频响应是平方

代价有两个。第一，幅频响应变成了原来的平方，也就是说等效阶数翻倍、过渡带更陡、阻带衰减加倍。这通常是好事，但意味着你按 4 阶设计出来的滤波器，实际效果接近 8 阶，如果不清楚这一点，可能会误判参数。第二，filtfilt在数据两端会有边界效应，它通过内部填充来缓解，但对很短的数据或者两端有突变的信号，边缘仍然会失真。我的处理习惯是：对数据两端各掐掉半个滤波器的瞬态长度再分析，或者在做特征提取时避开首尾各 5% 的数据。

还有一个容易忽略的点：filtfilt要求输入长度至少是滤波器阶数的 3 倍左右，太短的数据会报错。批量处理大量短片段时，这个限制会突然冒出来，提前加个长度判断能省很多调试时间。

4. 频域滤波实操：掩码、对称、IFFT 一条龙

4.1 频域掩码的三种写法及适用边界

用 FFT 做滤波，核心就一步：把频谱乘上一个 0/1 掩码（或者平滑的权重函数）。掩码的写法直接决定了结果对不对。第一种是理想矩形掩码，通带内全 1、阻带内全 0，对应理想滤波器，过渡带为零，时域会出现明显的吉布斯振铃。第二种是平滑过渡掩码，比如升余弦窗，牺牲一点过渡带换取时域波形干净。第三种是直接对幅值做缩放，保留相位不动，适合做增益调整而非硬性切除。

N = len(x) X = np.fft.rfft(x) f = np.fft.rfftfreq(N, d=1/fs) # 写法一：理想低通掩码 mask_ideal = (f <= 100.0).astype(float) # 写法二：升余弦过渡带（90~110 Hz 之间平滑过渡） fc, tw = 100.0, 10.0 mask_smooth = np.ones_like(f) upper = f > (fc + tw/2) lower = f < (fc - tw/2) mask_smooth[upper] = 0.0 trans = (~upper) & (~lower) mask_smooth[trans] = 0.5 * (1 + np.cos(np.pi * (f[trans] - (fc - tw/2)) / tw)) y_ideal = np.fft.irfft(X * mask_ideal, n=N) y_smooth = np.fft.irfft(X * mask_smooth, n=N)

理想掩码的振铃在什么场景下会出问题？当信号里有明显的阶跃或脉冲成分时，振铃会被放大成肉眼可见的波动，看起来像是“滤出了假信号”。这时候换平滑掩码，或者干脆回到时域用巴特沃斯，效果都好得多。我个人的判断标准是：做频谱分析、看能量分布，用理想掩码没问题；要把滤波后的波形拿去给人看或者做后续检测，优先平滑掩码或时域 IIR。

4.2 实信号频谱对称性与 irfft 的实数化处理

前面提过，实信号的频谱共轭对称，所以用rfft只存一半是最省事的。但如果你出于某些原因用了完整fft，掩码就必须写成np.abs(f) <= fc这种对称形式。只对正频率做掩码，ifft的结果会是复数，取.real之后幅值减半，而且会残留一个随频率变化的相位误差，波形看起来“像是对的但幅度不对”，极其误导。

# 错误示范：只对正频率保留 X_full = np.fft.fft(x) f_full = np.fft.fftfreq(N, 1/fs) mask_wrong = (f_full >= 0) & (f_full <= 100) y_wrong = np.fft.ifft(X_full * mask_wrong).real # 幅值约为正确值的一半 # 正确示范：对称保留 mask_right = np.abs(f_full) <= 100 y_right = np.fft.ifft(X_full * mask_right).real

即使掩码正确，ifft的结果类型仍然是复数，虚部是浮点误差残留，量级通常在 1e-16 左右。直接.real取实部即可，不需要额外处理。但如果虚部量级明显偏大（比如 1e-3），那说明掩码对称性或者长度处理出了问题，得回头查，不能简单取实部糊弄过去。

4.3 一段含噪信号的完整处理流程

把上面的东西串起来，走一遍完整流程：造一段包含低频有用信号、高频噪声和单频干扰的合成数据，分别用频域掩码和时域 IIR 两条路处理，对比结果。这个流程我建议每个刚上手的人都自己跑一遍，比看十篇文章都管用。

import numpy as np from scipy import signal import matplotlib.pyplot as plt fs, T = 1000.0, 2.0 t = np.arange(0, T, 1/fs) N = len(t) # 合成信号：5 Hz 有用成分 + 50 Hz 干扰 + 宽带噪声 useful = 1.0 * np.sin(2*np.pi*5*t) interf = 0.5 * np.sin(2*np.pi*50*t) noise = 0.3 * np.random.randn(N) x = useful + interf + noise # 路线一：时域带阻去 50 Hz + 低通去高频噪声 b_bs, a_bs = signal.butter(4, [47/(fs/2), 53/(fs/2)], btype='bandstop') b_lp, a_lp = signal.butter(4, 30/(fs/2), btype='low') y_time = signal.filtfilt(b_lp, a_lp, signal.filtfilt(b_bs, a_bs, x)) # 路线二：频域掩码，直接保留 0~30 Hz X = np.fft.rfft(x) f = np.fft.rfftfreq(N, 1/fs) mask = (f <= 30.0).astype(float) y_freq = np.fft.irfft(X * mask, n=N) # 对比：与干净有用信号的相关系数 corr_time = np.corrcoef(y_time, useful)[0, 1] corr_freq = np.corrcoef(y_freq, useful)[0, 1] print(f"时域方案相关系数: {corr_time:.4f}") print(f"频域方案相关系数: {corr_freq:.4f}")

实测下来，两种方案的相关系数通常在 0.99 以上，差别主要在中段和边缘：时域方案边缘更干净但有轻微相位残留，频域方案整体幅值更准但两端会有小幅波动（环形卷积效应）。频域滤波本质上是循环卷积，它默认信号首尾相接，所以当首尾幅值差异大时，接缝处会出现跳变。解决办法是滤波前做端点延拓，或者对结果做首尾裁剪。这个细节在任何教程里都很少提，但实际做长序列处理时一定会撞上。

5. 常见问题与排查速查表

5.1 现象、原因、处理对照

这张表里的每一条我都至少踩过一次。最想强调的是第二条——幅值减半。这个错误太隐蔽了，因为波形形状、频率成分看起来完全正确，只是整体小了一半，如果你没有和原始信号做幅值对比，根本发现不了。养成习惯：滤波后立刻算一下通带内某个已知频率成分的幅值，和滤波前对比，一秒钟就能验证。

5.2 几个我实际踩过的坑

第一个坑是采样率和时间轴不一致。有次数据文件里记录的时间戳和实际采样点数对不上，我按点数算出来的fs偏差了 2%，导致所有截止频率都偏了 2%。低频段 2% 影响不大，但带阻位置偏了之后，工频干扰根本没压住，我一度以为是滤波器阶数不够，白折腾了半天。后来加了校验：abs(len(t) / (t[-1] - t[0]) - fs) < 0.01，不一致就报警。

第二个坑是对非平稳信号用固定截止频率。一段信号前半段噪声强、后半段噪声弱，用同一个滤波器处理，后半段会被过度平滑，丢掉真实细节。这种场景更适合自适应方法或者分段处理，每段单独估计噪声水平再定参数。固定参数的滤波器适合“干扰特性稳定”的前提，这一点在动手前要想清楚。

第三个坑是忽略数据类型。从文件里读进来的数据有时候是整数类型（int16 之类），直接做 FFT 或者滤波，中间运算会悄悄截断，结果出现台阶状的失真。凡是做数值处理，第一步统一x = np.asarray(x, dtype=np.float64)，这一行能挡掉一大类莫名其妙的精度问题。

最后分享一个我常用的验证套路：滤波前后，各画一张频谱图，把它们叠在一起看。通带内的谱线应该几乎重合（如果用了filtfilt，幅频是平方关系，会有轻微差异），阻带内的谱线应该明显下压。这比看时域波形直观得多，也更容易发现参数设错的问题。我现在的习惯是任何滤波脚本里都内置这个对比图，跑一次就心里有数。