从DTFT到FFT：数字信号处理中的傅里叶变换全解析

原创

于 2026-02-16 01:05:37 发布 · 170 阅读

标签

1. 从连续到离散：为什么我们需要DTFT？

想象一下，你正在用手机听一首歌。这首歌在现实世界里是连续变化的声波，但你的手机和耳机里的芯片，它们只认识“0”和“1”。要把一首歌塞进手机里，第一步就是采样——每隔一小段时间，就测量一次声音的强度，把连续的声音变成一串离散的数字。这个过程，就是我们常说的“模数转换”。

好了，现在我们手里有了一串数字序列 x[n]。我们想知道，这个序列里都包含了哪些频率的声音？比如，低音鼓的“咚咚”声频率低，人声的频率中等，三角铁的“叮叮”声频率高。在连续信号的世界里，我们用傅里叶变换（FT） 来干这个事，它能告诉我们一个连续信号里各个频率成分的“含量”。

但我们的信号现在是离散的，直接用FT行不通了。于是，离散时间傅里叶变换（DTFT） 就登场了。你可以把它看作是FT在离散世界的“表亲”。它的公式长这样：

X(e^{jω}) = Σ_{n=-∞}^{∞} x[n] * e^{-jωn}

别被这个公式吓到，我来给你翻译一下。X(e^{jω}) 就是我们想知道的频谱，ω 是数字角频率。这个公式的意思就是：把序列 x[n] 的每一个值，都乘以一个对应频率的旋转因子 e^{-jωn}，然后把所有结果加起来。这个旋转因子是关键，它就像一个精密的“频率探测器”，当序列 x[n] 的波动节奏和某个频率 ω 匹配时，它们相乘累加的结果就会特别大，这就说明信号里含有这个频率的成分。

我刚开始学的时候，总觉得这个求和从负无穷到正无穷很抽象。其实，对于现实中我们处理的信号，比如一段录音，它总是有限长的。我们可以把它想象成在有限长度之外都是0，这样求和就是有限项了。

DTFT有个非常重要的特性：它计算出来的频谱 X(e^{jω}) 是连续的，并且是以 2π 为周期的。连续好理解，因为频率 ω 可以取任意值。周期性的原因则来自于采样的本质——离散序列在时域是采样的，在频域就会周期重复。这就像你透过一个栅栏看一幅画，你会看到很多重复的片段。

这里有个很实际的坑我踩过。DTFT的频谱是连续的，这意味着理论上我们需要计算无穷多个频率点才能完整描述它。但计算机是“离散”的，它没法存储或处理一个连续的函数。所以，DTFT更像是一个强大的理论工具，帮助我们理解离散信号的频域本质，但直接用它来做实际的数字信号处理，比如用软件分析一段音频的频谱，还差最后一步。