快速傅立叶变换（FFT）是一种高效计算离散傅立叶变换（DFT）的算法，它将DFT的计算复杂度从 O(N²) 降低到 O(N log N)，从而在众多领域实现了实时或大规模信号处理。其核心思想是分治策略，利用DFT计算中旋转因子的对称性和周期性，通过蝶形运算递归或迭代地将大点数DFT分解为小点数DFT的组合。
FFT的核心算法与实现
主流算法是Cooley-Tukey算法，其关键步骤包括二进制位反转置换和蝶形运算。以下是Python中使用numpy库实现FFT的示例：
python
import numpy as np
import matplotlib.pyplot as plt
# 生成一个示例信号：两个正弦波的叠加
fs = 1000 # 采样频率1000 Hz
T = 1.0 # 信号时长 1秒
t = np.linspace(0, T, int(fs*T), endpoint=False) # 时间序列
# 信号包含 50Hz 和 120Hz 的成分
signal = 0.7 * np.sin(2*np.pi*50*t) + 1.0 * np.sin(2*np.pi*120*t)
# 使用numpy的FFT进行计算
fft_result = np.fft.fft(signal) # 计算FFT
N = len(fft_result)
freqs = np.fft.fftfreq(N, 1/fs) # 计算对应的频率轴
# 计算幅度谱
magnitude_spectrum = np.abs(fft_result) / N * 2 # 求幅度，并归一化（对于实数信号）
magnitude_spectrum[0] /= 2 # 直流分量特殊处理
# 绘制结果
fig, axs = plt.subplots(2, 1, figsize=(10, 6))
axs[0].plot(t, signal)
axs[0].set_title('原始时域信号')
axs[0].set_xlabel('时间 [秒]')
axs[0].set_ylabel('幅度')
# 只显示正频率部分
positive_freq_mask = freqs >= 0axs[1].stem(freqs[positive_freq_mask], magnitude_spectrum[positive_freq_mask], 'b', markerfmt=" ", basefmt="-b")
axs[1].set_title('FFT幅度谱')
axs[1].set_xlabel('频率 [Hz]')
axs[1].set_ylabel('幅度')
axs[1].set_xlim(0,200) # 聚焦在0-200Hz范围
plt.tight_layout()
plt.show()FFT的主要应用领域
FFT作为基础工具，其应用渗透到几乎所有需要频域分析的领域。
| 应用领域 | 核心作用与典型场景 | 说明 |
|---|---|---|
| 数字信号处理 | 频谱分析、滤波、卷积加速 | 这是FFT最经典的应用。通过FFT将信号转换到频域，可以直观分析其频率成分（频谱分析）。利用卷积定理（时域卷积等于频域相乘），FFT可将卷积运算复杂度从O(N²)降至O(N log N)，极大加速了线性滤波、相关计算等过程。 |
| 音频处理 | 音频压缩、均衡器、音高识别 | 在MP3、AAC等音频编码中，FFT用于将声音信号转换到频域，利用人耳听觉心理模型进行有损压缩。图形均衡器和音高修正软件也依赖FFT进行实时频域分析和修改。 |
| 图像处理 | 图像滤波、压缩、特征提取 | 通过二维FFT将图像转换到频域，高频对应边缘和细节，低频对应平缓区域。据此可实现图像去噪、锐化（频域滤波）。JPEG图像压缩的核心步骤------离散余弦变换（DCT），与FFT原理相通。 |
| 通信系统 | 正交频分复用、频谱感知 | 现代无线通信（如Wi-Fi,4G/5G OFDM）的核心技术OFDM，其调制和解调过程本质上是IFFT和FFT运算，用于将高速数据流分配到多个正交子载波上传输。频谱分析仪也使用FFT进行信道监测。 |
| 科学计算与仿真 | 求解偏微分方程、卷积神经网络 | 在计算流体力学等领域，FFT可用于高效求解泊松方程等偏微分方程。在深度学习领域，利用FFT加速卷积运算（如torch.fft）是提升CNN训练和推理速度的关键技术之一。 |
| 其他领域 | 雷达信号处理、医学成像、密码学 | 雷达通过FFT分析回波信号的频移（多普勒效应）来测速。MRI（磁共振成像）利用FFT重建人体断层图像。数论变换（NTT）作为FFT在有限域上的变体，是后量子密码学和同态加密中的关键计算工具。 |