简介：这份资源面向车载毫米波雷达信号处理的学习者与工程实践者，聚焦静止目标（静态杂波）滤除这一关键环节，提供可直接运行的Matlab代码与实测数据，帮助理解如何抑制地表反射、建筑物等固定干扰，提升目标检测性能。压缩包共3个文件，约248KB，包含m脚本、mat数据与txt说明，分别对应滤波算法实现、雷达回波原始数据及原理与结果解读，便于对照代码复现自适应滤波、空间滤波或频域滤波等处理流程。已有1797人学习下载，适合具备一定雷达与Matlab基础、希望从理论走向仿真的读者。通过脚本与数据配合，可完成回波预处理、滤波器构建与参数设定，并借助信噪比等指标评估滤波前后效果，为算法优化与场景适配提供可参考的实践样本。

1. 从一段“目标消失”的波形说起

做车载毫米波雷达信号处理的朋友，大概都遇到过这种玄学现象：车明明停着，雷达却在正前方持续报出一个距离几乎不变的目标；或者反过来，真正想检测的慢速行人，被当成静止杂波一刀切掉，屏幕上干干净净。这类问题的根源，往往不在检测算法本身，而在静止目标（静态杂波）滤除这一步没处理好。这份资源就是围绕这个痛点展开的：一套可直接运行的 Matlab 代码，加上配套的雷达回波数据，把“静态杂波怎么滤、滤完怎么验证”这条链路完整走了一遍。它适合正在做毫米波雷达信号处理、想拿真实数据练手距离-多普勒处理与杂波抑制的开发者，也适合需要快速搭一个可复现实验环境来对比不同滤除方案的人。代码和数据放在一起，省掉了自己造回波、自己标定参数的麻烦，拿到就能跑。

2. 项目定位与技术栈：Matlab 里跑通一条雷达信号链

2.1 这套代码到底解决什么问题

车载毫米波雷达的一个基本事实是：静止物体（护栏、墙面、停着的车）回波强、多普勒接近零，而真正关心的运动目标多普勒非零。静止杂波滤除的核心思路，就是利用“静止目标在多普勒维上集中在零频附近”这一特性，把零频附近的能量压掉，保留运动目标。这套 Matlab 代码把这条思路落到了具体数据上：读入雷达回波数据，做距离维 FFT、多普勒维 FFT，得到距离-多普勒图（Range-Doppler Map），再在慢时间维上做杂波抑制，最后对比滤除前后的效果。

它不是一个通用雷达仿真框架，而是一个聚焦单点问题的实验工程。好处是链路短、变量少，你能清楚看到每一步的数据形状变化；代价是它不覆盖完整的雷达信号处理（比如角度估计、CFAR 检测的工程化实现），需要你在它基础上往外扩。我一般把这类工程当成“最小可复现实验台”：先确认杂波抑制这一环对不对，再往上叠检测和跟踪。

2.2 技术栈与依赖

技术栈很纯粹：Matlab 为主，核心运算依赖 FFT、矩阵运算和基础绘图。没有额外的工具箱强依赖，常见做法是用 Matlab 自带的fft、fftshift、abs、mean这些基础函数就能跑通。如果你的 Matlab 版本较新，注意fft对多维数组默认按第一维做，代码里通常会显式指定维度，这一点在移植时容易翻车。

数据部分是一组雷达回波采样，格式一般是复数矩阵，维度对应“快时间（距离采样）× 慢时间（ chirp 数）× 接收通道”。代码里读数据的部分会把它整理成后续处理需要的形状。这里要提醒一句：不同雷达前端导出的数据排列顺序不一样，有的是“通道×chirp×采样”，有的是“采样×chirp×通道”，拿到数据第一件事是打印size确认维度顺序，别急着往下跑。

2.3 目录与文件组织

这类实验工程的文件组织通常不复杂，常见结构是这样：

radar_static_clutter/ ├── data/ # 雷达回波数据文件 ├── main.m # 主入口，串起整条处理链 ├── func_rangeFFT.m # 距离维处理 ├── func_dopplerFFT.m # 多普勒维处理 ├── func_clutterSuppress.m# 静止杂波抑制核心 └── func_plotRD.m # 距离-多普勒图绘制与对比

实际文件名可能略有差异，但职责划分基本是这几块。主入口负责读数据、调各处理函数、出图；各func_文件把单步处理封装起来，方便你单独替换某一环做对比实验。这种拆法对二次开发很友好：想换一种杂波抑制方法，只改func_clutterSuppress.m，其他不动。

提示：如果你的目录里没有现成的函数拆分，而是全写在main.m里，建议先按上面的职责手动拆一遍再改，否则后面调参时改一处牵动全身。

3. 核心处理链路拆解：从回波到距离-多普勒图

3.1 读数据与维度整理

第一步是把原始回波整理成“快时间×慢时间”的二维矩阵。快时间对应一个 chirp 内的采样点，慢时间对应连续多个 chirp。静止杂波抑制是在慢时间维上做的，所以维度顺序必须理清。

% 读取雷达回波数据，假设原始为 采样点 x chirp数 x 通道数 raw = load('data/radar_frame.mat'); data = raw.radarData; % 复数回波 [Nfast, Nslow, Nrx] = size(data); % 快时间、慢时间、接收通道 % 取单通道做杂波抑制演示，多通道可循环处理 x = squeeze(data(:, :, 1)); % 变为 Nfast x Nslow fprintf('快时间采样点: %d, 慢时间chirp数: %d\n', Nfast, Nslow);

这段代码的关键在size那行：先确认三个维度各是什么，再决定squeeze取哪个通道。参数上，Nfast决定距离分辨率相关的采样长度，Nslow决定多普勒分辨率和杂波抑制可用的积累长度。Nslow太小（比如少于 32）时，多普勒维分辨率不够，零频附近的运动目标会和静止杂波糊在一起，滤除效果会明显变差。我一般要求Nslow至少 64，条件允许就上 128。

3.2 距离维 FFT：先把目标按距离分开

距离维处理对快时间做 FFT，把时域采样变到距离频点。这一步本身不涉及杂波抑制，但它是后续多普勒处理的基础。

% 距离维加窗后做 FFT win_range = hann(Nfast); % 距离维窗，压低旁瓣 x_win = x .* win_range; % 按列广播到每个 chirp rangeFFT = fft(x_win, Nfast, 1); % 沿第1维（快时间）做FFT rangeFFT = rangeFFT(1:Nfast/2, :); % 取正半轴，对应实际距离

hann窗是为了抑制强静止目标在距离维的旁瓣，旁瓣太高会掩盖邻近距离单元的小目标。fft(..., Nfast, 1)里的1明确指定沿第一维变换，避免多维数组默认行为带来的歧义。取正半轴是因为实信号 FFT 后频谱对称，负半轴是镜像，实际距离只对应前半段。这里如果忘了取半轴，后面画距离轴会整体错位，属于典型的新手翻车点。

3.3 多普勒维 FFT 与距离-多普勒图

对每个距离单元，沿慢时间做 FFT，得到多普勒谱。静止目标能量集中在零多普勒附近，运动目标则偏移到非零频点。

% 多普勒维加窗并做 FFT win_dop = hann(Nslow); rd_win = rangeFFT .* win_dop.'; % 转置后按行广播 dopplerFFT = fft(rd_win, Nslow, 2); % 沿第2维（慢时间）做FFT dopplerFFT = fftshift(dopplerFFT, 2); % 零频移到中心，便于观察 % 距离-多普勒图 rdMap = abs(dopplerFFT); figure; imagesc(20*log10(rdMap + eps)); xlabel('多普勒单元'); ylabel('距离单元'); title('距离-多普勒图（杂波抑制前）'); colorbar;

fftshift把零频搬到中心，这样静止杂波会出现在图像正中间一列，运动目标在两侧，肉眼就能分辨。20*log10转 dB 是为了让强弱目标同时可见，+eps防止对零取对数。这一步出来的图就是后续对比的基准：滤除前中间那一列应该很亮，滤除后应该明显变暗，而两侧的运动目标基本保留。

3.4 静止杂波抑制：慢时间维去均值

最经典也最常用的做法是慢时间维去均值（也叫 MTI 的一阶实现）：对每个距离单元，减去该单元在慢时间上的均值。静止目标多普勒为零，其慢时间序列近似常数，均值就是它本身，减掉后归零；运动目标慢时间序列是复指数，均值接近零，减掉影响很小。

% 慢时间维去均值实现静止杂波抑制 clutterEst = mean(dopplerFFT, 2); % 每个距离单元的多普勒均值 suppressed = dopplerFFT - clutterEst; % 减去静止分量 % 对比图 figure; subplot(1,2,1); imagesc(20*log10(abs(dopplerFFT)+eps)); title('抑制前'); xlabel('多普勒单元'); ylabel('距离单元'); subplot(1,2,2); imagesc(20*log10(abs(suppressed)+eps)); title('抑制后'); xlabel('多普勒单元'); ylabel('距离单元');

mean(..., 2)沿第二维（多普勒维）求均值，得到每个距离单元的静止分量估计。这里有个细节：去均值是在多普勒 FFT 之后做，等价于在慢时间维做高通滤波，把零频分量去掉。参数上没有需要调的，但要注意如果Nslow很小，均值估计本身噪声大，抑制后残留会明显。另一种常见做法是在慢时间维直接做一阶差分（相邻 chirp 相减），效果类似但对慢速目标更敏感，容易把慢速行人一起削掉，这也是后面避坑章节要展开的点。

4. 避坑与排查：杂波抑制里最容易翻车的几处

4.1 现象：滤除后运动目标也变弱了

原因通常是去均值或差分把低速目标的多普勒分量一起压掉了。慢速行人多普勒频率接近零，和静止杂波在频域上挨得太近，一刀切必然误伤。解决办法是改用自适应方法，比如在零频附近设一个窄陷波而不是全零频去除，或者用特征值分解类方法（如基于协方差矩阵的杂波子空间抑制），把杂波子空间和低速目标子空间分开。工程上更常见的折中是：先做去均值粗滤，再用 CFAR 在剩余谱上检测，靠检测门限把残留的慢速目标捞回来。

4.2 现象：抑制后图像中间仍有一条亮线

原因是零频没对准。fftshift之后零频应该在正中心，但如果Nslow是奇数，中心位置会偏一个单元，去均值减的不是真正的零频分量。解决方法是确认Nslow为偶数，或者在fftshift后显式定位零频索引再处理。另一个可能是数据里存在直流偏置（前端 ADC 的 DC offset），这种偏置在距离维 FFT 后表现为距离零点的强峰，需要在距离维之前先做去直流。

4.3 现象：换一组数据就跑不出结果

多半是维度顺序或数据类型不对。不同前端导出的数据可能是实数、可能是复数、可能通道维在前。排查顺序是：先class(data)看是不是复数，再size(data)确认维度，再抽一个距离单元画慢时间序列看是不是复指数。如果慢时间序列看起来像实数噪声，说明数据本身没做正交解调或者读错了字段。这一步别省，我见过太多人直接套代码，结果卡在数据格式上半天。

4.4 现象：多普勒轴方向反了

fftshift之后正负多普勒的物理含义取决于你的 chirp 调频斜率和采样约定。如果发现靠近的目标多普勒方向和自己预期相反，不用怀疑算法，先检查多普勒轴的定义：正频率对应目标是靠近还是远离，取决于雷达体制。解决方法是在画图时把多普勒轴按实际物理含义标注，或者在 FFT 前对慢时间序列做共轭处理统一符号约定。这个坑不影响抑制效果，但会影响你对结果的解读。

4.5 现象：抑制后底噪抬高、弱目标被淹没

去均值会改变噪声统计特性，尤其在Nslow较小时，减均值相当于引入额外方差。如果后续要做 CFAR 检测，检测门限需要重新标定，不能沿用抑制前的参数。常见做法是抑制后重新估计噪声基底，或者改用恒虚警率自适应的门限。这一点在把实验代码往工程链路迁移时特别容易忽略。

5. 二次开发：把实验代码改成能对比、能验证的工具

5.1 把抑制方法做成可插拔

原始代码通常只实现一种抑制方法。想对比不同方案，最省事的改法是把抑制逻辑抽成一个函数句柄，主流程只负责调用。

% 定义多种抑制方法，统一输入输出形状 methods = { @(rd) rd - mean(rd, 2), ... % 去均值 @(rd) rd - movmean(rd, 3, 2), ... % 滑动平均估计杂波 @(rd) filter([1 -1], 1, rd, [], 2) % 慢时间一阶差分 }; for k = 1:numel(methods) out = methods{k}(dopplerFFT); score(k) = evaluateSuppression(out); % 自定义评价指标 end

methods里每个匿名函数的输入输出都是同形状的距离-多普勒矩阵，这样主流程不用改。evaluateSuppression可以自己定义，比如统计零多普勒列的能量下降比、运动目标区域的能量保留比。这种写法让对比实验变成加一行的事，比每次改函数体再跑一遍靠谱得多。

5.2 用指标而不是肉眼判断效果

肉眼看图容易自欺：中间变暗了不代表滤得好，可能连目标一起削了。建议至少算两个指标：零多普勒附近能量抑制比，以及已知运动目标单元的信杂比改善量。下面是一个简单的抑制比计算。

function ratio = suppressionRatio(rdBefore, rdAfter, zeroIdx) % zeroIdx 为零多普勒所在列索引 eBefore = sum(abs(rdBefore(:, zeroIdx)).^2); eAfter = sum(abs(rdAfter(:, zeroIdx)).^2); ratio = 10*log10(eBefore / (eAfter + eps)); % dB，越大抑制越强 end

zeroIdx需要根据fftshift后的中心位置确定，偶数Nslow时是Nslow/2 + 1。这个指标只反映零频压制程度，必须配合目标保留指标一起看，否则会诱导你把抑制做得过猛。

5.3 从单帧到多帧的验证习惯

单帧跑通不代表方法稳。我一般会把同一段数据切成多帧，逐帧算抑制比和目标保留率，看指标是否稳定。如果某几帧指标突然变差，往往是那几帧里静止杂波强度变化大，或者有强运动目标恰好落在零频附近。这种逐帧验证能提前暴露方法对场景的敏感性，比只看一张漂亮图有用得多。

这张表不是硬标准，是给自己定一个可复现的验收线。不同数据、不同Nslow下数值会变，但“抑制够狠且目标不误伤”这个平衡点是不变的。

5.4 一个我踩过的坑

早期我做这类对比时，习惯先把所有方法的结果图并排画出来再挑。后来发现图看多了会麻木，反而漏掉某方法在特定距离段把弱目标削没的情况。从那以后我每次改抑制逻辑，都强制先跑指标表再画图，指标不过关的图根本不看。这个习惯帮我省了不少返工。希望帮到你。

本文还有配套的精品资源，点击获取