FIR滤波器和IIR滤波器，是数字信号处理里躲不开的两个大类。最近整理自己多年攒下来的滤波器设计笔记，发现项目里最常用的还是窗函数法。这个方法算是数字滤波器设计的入门第一课，就算后面等纹波设计、最小二乘设计讲得再多，不少工程项目的首版原型仍然会跳回窗函数法——快、直观、可控。这篇文章围绕窗函数法设计FIR数字滤波器，把原理、公式、代码、容易踩的坑一起过一遍。内容偏入门，但坑有很多是老手也会犯的，所以后面那些实操记录部分，值得慢慢看。

1. 窗函数法的底层逻辑：用最小成本换取可用的滤波器

1.1 设计一个FIR滤波器，首先要回答为什么不用IIR

在动手算系数之前，我想先讲清楚一个最基础也最容易被忽略的问题：到底什么场景该选FIR，什么场景该选IIR。这个选择如果做错了，后面所有设计流程都白搭。

IIR滤波器的优点是阶数低、计算量小，同样的衰减指标，IIR可能只需要三五阶，FIR可能要用几十甚至上百阶。但IIR的相位响应是严重非线性的，信号经过滤波器以后，各个频率分量之间的相对时间关系会发生扭曲。很多刚接触数字信号处理的人不太在乎这一点，因为用示波器观察幅度响应时，滤波效果好像也挺好。但一旦处理的是心电信号、语音信号或者通信基带信号，相位非线性带来的波形畸变就会变得非常明显。

FIR滤波器虽然阶数高、计算量大，但它有一个无可替代的优点：只要系数对称，就能实现严格的线性相位。线性相位意味着滤波器只对信号做整体延时，不改变每个频率分量的相对关系。这一条在工程上的价值极高。举个例子，我曾经在一个振动信号采集项目里同时试过IIR和FIR做同一组数据的带通滤波，IIR滤波后的波形在时域上看起来完整，但和原始信号对照时，上升沿的位置发生了微小的偏移，而且不同频段的偏移量不一样。换用线性相位FIR以后，整个波形的轮廓被完整保留，只是整体平移了一个固定时长，做后续特征提取就变得非常靠谱。

1.2 窗函数法到底解决了一个什么困难问题

FIR设计有很多方法，窗函数法不是唯一的，但它是理解所有其他方法的基础。

它的基本思路可以概括成一句话：先构造一个理想滤波器的冲激响应，然后在时域用窗函数截断它。理想滤波器在频域上是一个“矩形”——通带内增益为1，阻带内增益为0，过渡带宽度为0。这种滤波器物理上无法实现，因为它对应的冲激响应在时域是无限长的，而且非因果。窗函数法做的事情，就是把这个无限长的响应切出一段有限的来，再想办法让“切”的动作尽量温和，使频率响应在工程可接受的范围内逼近理想指标。

这个方法最大的好处是直观，而且不需要迭代优化。等纹波设计（比如常见的Parks-McClellan算法）需要反复迭代调整系数，最小二乘设计要解矩阵方程，这些方法在掌握之前很容易让人一头雾水。窗函数法则不一样：选择窗函数、估算阶数、乘系数，三步走完，滤波器的雏形就出来了。对很多实际工程来说，这个“雏形”的性能已经足以直接投入使用。

我在自己的项目里总结过一个经验：窗函数法适合做需求明确、指标在常规范围内的滤波器设计。如果你只需要一个截止频率几百赫兹到几千赫兹的低通、带通或高通，阻带衰减要求不高过七八十分贝，窗函数法几乎是最省时间的选择。反过来，如果你要求极窄的过渡带同时还要极高的阻带衰减，那窗函数法可能会因为阶数过大而显得笨重，这时才需要转而考虑多级实现或者直接用IIR。

2. 三个关键步骤：理想冲激响应、截断与加窗

2.1 理想低通滤波器的冲激响应是怎么来的

窗函数法的一切都从一个数学结果出发：理想低通滤波器的冲激响应是一个sinc函数。

假设采样频率为 (f_s)，理想低通滤波器的截止频率为 (f_c)（单位Hz），那么这个滤波器在数字域的频率响应从 (-\pi) 到 (\pi) 的范围里，在 (|f| < f_c) 内是1，其余是0。对它做傅里叶反变换，就得到时域的序列：

[ h_d[n] = \frac{2f_c}{f_s} \cdot \text{sinc}\left(\frac{2f_c}{f_s}(n - M)\right) ]

其中 (\text{sinc}(x) = \frac{\sin(\pi x)}{\pi x})，(M = \frac{N-1}{2})，(N) 是我们最终确定的滤波器长度。

这个公式里最关键的一点是那个 ((n - M)) 的偏移量。它表示理想冲激响应的对称中心放在了 (M) 处，这样截取出来的序列在 (0 \sim N-1) 范围内左右对称，滤波器天然满足线性相位条件。初学者最容易犯的错是直接把 (n = 0, 1, 2, ...) 代入公式而不作平移，结果得到一个看起来七扭八歪的序列，频率响应完全不对。

sinc函数本身向两端无限延伸，衰减速度只有 (1/x)，这意味着它的尾巴拖得很长。我们只能截取其中一段，这个截取动作直接影响最终滤波器的质量。

2.2 矩形窗截断为何会引发吉布斯现象

如果我们直接用矩形窗去截，等同于在理想冲激响应上乘一个长度为N的全1序列。这个操作在频域里相当于把理想矩形的频谱和一个sinc函数频谱做卷积。结果就是：过渡带变宽，通带边缘出现振荡，阻带衰减始终被限制在大概 -21dB 左右。

这个现象叫吉布斯现象。它的本质是傅里叶级数在间断点附近的收敛问题——矩形频谱这个信号本身有突变，用有限项傅里叶级数逼近时，突变处一定会出现过冲。很多教科书上都画过那张经典图：矩形窗截断后的频率响应在截止频率附近上下振荡，而且无论N取多大，过冲的峰值幅度不会消失，只会越来越靠近突变点。也就是说，单纯靠增加长度，是没办法把阻带衰减压下去的。

实际设计滤波器时，-21dB的阻带衰减对绝大多数应用都不够。哪怕做一个简单的音频低通，这种滤波器也会在阻带留下明显的泄漏成分。

2.3 窗函数扼住了吉布斯现象的咽喉

吉布斯现象的根源是“突然切断”。既然突然切断会带来麻烦，那就换一种切断方式：让序列在两端平缓地过渡到0。这就是窗函数法的核心思想。

窗函数 (w[n]) 是一个长度为 (N)、关于中心对称、两端向0靠近的序列。我们用 (w[n]) 乘以理想冲激响应 (h_d[n])，得到最终的滤波器系数：

[ h[n] = h_d[n] \cdot w[n] ]

由于窗函数的两端是逐渐过渡的，截断的“切口”被柔化了，频域卷积中的旁瓣被压低。代价是主瓣变宽，反映在频率响应上就是过渡带变宽。

这里有一个工程上必须记住的权衡关系：窗函数的主瓣宽度决定过渡带宽，旁瓣高度决定阻带衰减。想压低旁瓣，主瓣就会变宽；想让过渡带窄，旁瓣就压不下来。不同的窗函数，本质就是在这一对矛盾里取不同的平衡点。

3. 常用窗函数横向对比：主瓣、旁瓣与阶数估算

3.1 各类窗函数的工程特征速览

窗函数家族里最常见的几个成员，在实际使用中各有各的脾气。

矩形窗是理想但不可用的基准线。它主瓣最窄，在同等长度下过渡带最窄，但旁瓣只压到 -13dB，阻带衰减只有约 -21dB。它的意义更多是作为理论参考，而不是实际设计工具。

汉宁窗（Hanning）的表达式是 (w[n] = 0.5 - 0.5\cos(\frac{2\pi n}{N-1}))，旁瓣峰约 -31dB，衰减到约 -44dB。它用在功率谱估计里比较多，做滤波器也可以，但表现中规中矩。

海明窗（Hamming）是工程里最常见的通用窗，表达式 (w[n] = 0.54 - 0.46\cos(\frac{2\pi n}{N-1}))，旁瓣峰约 -41dB，阻带衰减约 -53dB。这个衰减水平覆盖了相当多的应用场景。和汉宁窗相比，海明窗在靠近主瓣的几片旁瓣压得更低，代价是远处旁瓣衰减不再继续下降，而是维持在一个水平附近。

布莱克曼窗（Blackman）的表达式里多了二次谐波项 (0.08\cos(\frac{4\pi n}{N-1}))，旁瓣更低，阻带衰减约 -74dB。但它的主瓣比海明窗宽不少，需要在滤波器长度上做出补偿。它适合对阻带衰减要求高于60dB的场景。

凯泽窗（Kaiser）是特殊的一类，它带一个可调参数 (\beta)，通过调整 (\beta) 可以在主瓣宽度和旁瓣高度之间灵活选择。(\beta) 越大，窗越“尖”，旁瓣越低，但过渡带也越宽。这使得凯泽窗能覆盖从接近矩形窗到极低旁瓣的很大范围，是工程上最灵活的选择。

3.2 滤波器长度的经验估算公式

有了窗函数的特性，下一步就是估算滤波器长度。这是窗函数法里最实用的一个技能，我希望每个看文章的人都能默写下来。

设过渡带宽度为 (\Delta f)（单位Hz，即阻带起始频率减去通带边缘频率），采样率为 (f_s)，那么滤波器长度 (N) 约等于：

[ N \approx \frac{C \cdot f_s}{\Delta f} ]

不同窗函数对应的 (C) 值和可达阻带衰减如下表：

N计算出来后，一般取奇数，方便得到第一类线性相位的对称滤波器。例如算出52.8，我会取53而不是52，因为奇数长度的系数关于中间点对称，群延迟是整数个采样周期，逻辑上最好理解，实现上也最清晰。

凯泽窗有专门的估算公式。给定阻带衰减 (A_s)（单位dB），先计算 (\beta)：

[ \beta = \begin{cases} 0.1102(A_s - 8.7), & A_s > 50 \ 0.5842(A_s - 21)^{0.4} + 0.07886(A_s - 21), & 21 \le A_s \le 50 \ 0, & A_s < 21 \end{cases} ]

再计算 (N)：

[ N \approx \frac{A_s - 7.95}{2.285 \cdot \Delta \omega} + 1 ]

其中 (\Delta \omega = \frac{2\pi \Delta f}{f_s})，是归一化后的过渡带宽度。

这几条公式不管手算还是写进脚本里都很好用。我在很多项目里都会先用它们快速估算阶数，再结合频响验证微调。

4. 完整实操：手算并实现一个1500Hz截止的低通滤波器

4.1 指标转换：先算理想截止频率

我把具体的计算过程完整走一遍，这样拿到现成代码就能直接替换参数。

假设采样率 (f_s = 8000) Hz，要求通带边缘频率 (f_p = 1500) Hz，阻带起始频率 (f_s = 2000) Hz，阻带衰减 (A_s \ge 50) dB。

过渡带宽度：

[ \Delta f = f_s - f_p = 2000 - 1500 = 500 \text{ Hz} ]

这里要特别注意一个容易被忽略的细节：窗函数法公式里的“截止频率”(f_c)，不是通带边缘，而是理想低通滤波器的突变点。这个突变点通常会放在过渡带的中间，也就是：

[ f_c = \frac{f_p + f_{st}}{2} = \frac{1500 + 2000}{2} = 1750 \text{ Hz} ]

很多教材为了简化会直接用通带边缘当截止频率，这样做出来的滤波器实际通带边缘会向阻带一侧偏移。严格的设计应该把理想截止频率放在过渡带中心，最后得到的通带和阻带范围才会准确落在我们想要的位置。

4.2 阶数估算：窗函数法里决定性的一步

阻带衰减要求50dB，海明窗的典型衰减约 -53dB，刚好够用，而且海明窗过渡带系数C为3.3，比布莱克曼窗更节省阶数。

[ N \approx \frac{3.3 \times 8000}{500} = 52.8 ]

取奇数，得到 (N = 53)。对称中心：

[ M = \frac{N-1}{2} = \frac{52}{2} = 26 ]

海明窗的实际过渡带宽度约为：

[ \Delta f \approx \frac{3.3 \times 8000}{53} = 498 \text{ Hz} ]

和要求的500Hz几乎一致。这说明阶数选择是合适的。

4.3 冲激响应与加窗：一步步得到最终系数

理想低通滤波器的冲激响应为：

[ h_d[n] = \frac{2 \times 1750}{8000} \cdot \text{sinc}\left(\frac{2 \times 1750}{8000}(n - 26)\right) ]

化简一下：

[ h_d[n] = 0.4375 \cdot \text{sinc}\left(0.4375(n - 26)\right) ]

其中 (n = 0, 1, 2, ..., 52)。

海明窗为：

[ w[n] = 0.54 - 0.46 \cdot \cos\left(\frac{2\pi n}{52}\right) ]

最终滤波器系数：

[ h[n] = h_d[n] \cdot w[n] ]

由于 (h_d[n]) 和 (w[n]) 都关于 (n=26) 对称，最终系数也严格对称。这个对称性是线性相位的基础，也是窗函数法最可靠的一点——只要公式写对，线性相位天然成立。

4.4 用Python验证设计：频响曲线怎么读

我用一段精简的Python代码展示完整的实现过程。脚本里尽量不加多余的依赖，核心是NumPy和SciPy。

import numpy as np import matplotlib.pyplot as plt from scipy.signal import freqz fs = 8000 # 采样率 fp = 1500 # 通带边缘频率 fst = 2000 # 阻带起始频率 delta_f = fst - fp # 海明窗阶数估算 N = int(np.ceil(3.3 * fs / delta_f)) if N % 2 == 0: N += 1 M = (N - 1) // 2 fc = (fp + fst) / 2 # 理想截止频率放在过渡带中心 n = np.arange(N) hd = 2 * fc / fs * np.sinc(2 * fc / fs * (n - M)) w = 0.54 - 0.46 * np.cos(2 * np.pi * n / (N - 1)) h = hd * w # 归一化直流增益为1，便于后续级联使用 h = h / np.sum(h) # 频率响应 w_axis, H = freqz(h, 1, worN=2048, fs=fs) H_db = 20 * np.log10(np.abs(H) + 1e-12) plt.figure(figsize=(10, 5)) plt.plot(w_axis, H_db) plt.axvline(1500, color='red', ls='--', lw=1) plt.axvline(2000, color='red', ls='--', lw=1) plt.ylim(-80, 5) plt.grid(True) plt.ylabel("幅度 (dB)") plt.xlabel("频率 (Hz)") plt.show()

这段代码输出的频响图里，应该看到三条重要信息：

第一，通带边缘大约在1500Hz附近，增益只波动零点几个dB，这表明通带纹波很小。第二，2000Hz之后曲线迅速跌到 -50dB 以下，最终停在约 -53dB，说明阻带衰减符合海明窗的理论值。第三，整条曲线没有出现在阻带内上升到很高再跌下去的情况，说明阶数估算合适，没有严重的频谱泄漏。

4.5 MATLAB版本：两条命令就能微调

实际项目里，很多团队还是在用MATLAB做信号处理原型。MATLAB的滤波器设计工具箱提供更快捷的接口，但理解背后的手动过程仍然重要。

fs = 8000; fp = 1500; fst = 2000; df = fst - fp; N = ceil(3.3 * fs / df); if mod(N, 2) == 0 N = N + 1; end fc = (fp + fst) / 2; M = (N - 1) / 2; n = 0 : N - 1; hd = 2 * fc / fs * sinc(2 * fc / fs * (n - M)); w = 0.54 - 0.46 * cos(2 * pi * n / (N - 1)); h = hd .* w; % 归一化直流增益 h = h / sum(h); freqz(h, 1, 2048, fs);

MATLAB的sinc函数与Python中numpy.sinc的定义一致，都是 (\sin(\pi x)/(\pi x))，所以公式可以直接平移。实际开发中，如果想快速做一个滤波器原型，我经常还会用fir1这条命令：

h = fir1(N-1, fc/(fs/2), hamming(N));

fir1内部就是窗函数法，它要求截止频率用Nyquist频率归一化。注意它内部的截止频率也是放在过渡带中心的，所以传入fc/(fs/2)是合理的。有些人不理解这一点，直接传入通带边缘1500Hz，做出来的滤波器经过验证就会发现实际通带边缘偏了。

5. 从低通扩展到高通、带通设计

5.1 类型I与类型II线性相位的区别

FIR滤波器按系数的对称性可以分成几类，其中最常用的是第一类线性相位：系数偶对称，长度取奇数。这种滤波器在零频和Nyquist频率都没有额外约束，低通、高通、带通都能用。

如果长度取偶数，那就是第二类线性相位，频率响应在Nyquist频率处必然有零点。这个约束意味着它天然不适合做高通滤波器，因为高通在Nyquist频率处应该有最大增益，结果被强制压成0。因此，设计高通、带阻这类在(f_s/2)附近仍有通带的滤波器时，尽量把N取成奇数。这也是我前面一直强调“取奇数”的原因。

5.2 高通、带通、带阻的系数推导

从低通系数出发，可以通过频谱搬移得到其他类型。

高通滤波器的理想冲激响应可以看成“全通”减去“低通”：

[ h_{d_hp}[n] = \delta[n - M] - h_{d_lp}[n] ]

其中(\delta[n-M])是在对称中心位置的单位脉冲。直观理解：所有频率都通过，再把低频部分抠掉，剩下的就是高频。

带通滤波器可以看成两个低通的差。设下截止频率为(f_{c1})，上截止频率为(f_{c2})：

[ h_{d_bp}[n] = \frac{2f_{c2}}{f_s} \cdot \text{sinc}\left(\frac{2f_{c2}}{f_s}(n - M)\right) - \frac{2f_{c1}}{f_s} \cdot \text{sinc}\left(\frac{2f_{c1}}{f_s}(n - M)\right) ]

带阻滤波器则是在全通基础上扣除带通：

[ h_{d_bs}[n] = \delta[n - M] - h_{d_bp}[n] ]

得到理想冲激响应后，后续加窗过程与低通完全一致，直接用选好的窗函数相乘即可。

在这个部分我额外提醒一点：带通滤波器有两个过渡带，阶数估算时要以更窄的那个过渡带为准。比如一个滤波器下边过渡带400Hz、上边过渡带600Hz，算阶数时用400Hz来算，否则上边下边会有一个指标不达标。

6. 实际开发中常见问题与排查经验

6.1 过渡带不够窄：先算N，再验证，不要盲目加长

我见过很多人设计完滤波器，频率响应一看，过渡带比预期宽出一截，第一反应就是把N翻倍甚至翻三倍重算。这当然有效，但不是最优解。

正确流程是先确认阶数估算公式里用的(\Delta f)对不对。如果理想截止频率没放在过渡带中心，实际表现就会整体平移，被误判成“过渡带太宽”。还有一种情况，是过度追求阻带衰减选用了布莱克曼窗，C值从海明窗的3.3变成5.5，那相同过渡带下N自然要大得多，这不是“滤波器变差”，而是性能指标的必然换取。

如果在阶数正确的前提下仍然觉得过渡带偏宽，我非常不建议继续无限加长N。FIR阶数一上去，计算量和资源占用成倍增长。这时更务实的方案是换用多级滤波器，或者重新审视指标里有没有一条真正需要那么窄的过渡带。

6.2 频率响应通带边缘和相位曲线出现异常

我在调试中遇到过好几次通带边缘位置偏了、相位曲线不直线的情况。排查下来，原因高度集中在两个地方。

第一，理想冲激响应公式里的对称中心算错。比如N=53时，M=(53-1)/2=26，如果模板代码里写成了M=N//2，那对称中心偏移半个点，相位自然是非线性的。第二，归一化截止频率传参错误。用现成的firwin、fir1时，如果不清楚它们内部对截止频率的约定，把通带边缘和理想截止频率混着传，最后得到的通带边缘就会和设计目标不一致。

我在我的代码里习惯把所有频率先换算成Hz，不在代码里写“归一化到Nyquist的浮点数”，这样至少能减少一类错误。

6.3 嵌入式定点实现的精度坑

滤波器系数算出来是浮点数，直接放进嵌入式设备经常出问题。

我用过一个32位定点芯片做实时滤波，一开始把系数简单地转成定点，结果在阻带衰减要求较高的频段，实测幅频特性比浮点仿真差了将近10dB。后来排查发现，问题出在系数动态范围上。窗函数法得到的系数有大有小，直接定点量化会损失小系数的精度，而恰恰是那些小系数决定了阻带的细微结构。

解决办法有两个方向。一个是在量化前对系数做整体缩放，把系数范围放大到接近定点满量程再量化。另一个是把滤波器拆成多相结构或者用高一点的中间位宽做累加，避免乘累加过程中的截断误差。具体用哪种，要看芯片算力和存储空间。但有一点是确定的，浮点仿真结果不能直接当作定点实现的最终指标，必须在硬件平台上重新测一遍频响。

6.4 遇到苛刻指标时如何妥协

窗函数法有一个绕不开的缺点：指标一旦特别严苛，N会变得很大。

比如说，要求过渡带只有几十赫兹、阻带衰减超过80dB，用布莱克曼窗或凯泽窗算出来的N可能上千。直接把上千阶的FIR跑在实时系统里，延迟和计算量都可能受不了。这时候我会老实评估两种情况：其一，能不能接受IIR滤波器的相位非线性，把设计切换到IIR；其二，能否把任务拆成两级，前级用一个宽过渡带的滤波器粗滤，后级用一个窄过渡带的滤波器精滤，两个滤波器的总阶数通常比单个滤波器小很多。

我在一个信号处理Demo里遇到过类似情况：单个1600阶FIR滤波器的延迟让整套系统的反馈环不稳定，拆成三级以后每级只有200～300阶，总延迟反而降到了可接受范围。窗函数法不是终点，是工具箱里的一个底板，实际工程要灵活搭配其他方法。

6.5 直流增益和归一化问题

最后一个非常常见的坑，是忘记检查直流增益。

要知道理想低通的冲激响应在(n=M)处取值为(2f_c/f_s)，加窗后所有系数的和理论上接近1，但由于截断效应，实际可能有1%左右的偏差。这个偏差在单级滤波时无伤大雅，一旦多个滤波器级联，每个都偏一点点，级联总增益就可能偏差好几个百分点。

我在实际项目里的处理习惯是：生成系数后先求sum(h)，然后统一除以它，把直流增益严格归一化为1。这样做的代价是通带增益可能不再是精确的1，但换来的是系统总增益可控，后续再做增益补偿时更容易。低通滤波器归一化直流增益，带通滤波器也可以归一化中心频率处的增益，方法类似。

7. 最后聊一点个人体会

窗函数法用了这么多年，给我的最大感受就是：即使有了各种现成设计工具，手动把理想冲激响应、窗函数、阶数估算这些步骤走一遍，仍然很有必要。因为它让我始终清楚一个滤波器系数背后对应着什么样的频域效果，指标不达标时能快速判断是哪个环节出了问题。

另外，我也越来越推崇“先手动算一遍，再用工具快速验证”的工作方式。手动算虽然慢，但每一步的逻辑都在掌控之中；工具验证虽然快，但内部做了很多自动处理，很容易掩盖错误。把这两者结合起来，既能保证设计质量，又能提高迭代效率。

这一篇讲的是窗函数法设计FIR滤波器，也是整个FIR和IIR设计系列的第一篇。后面我会继续写更多关于滤波器设计的实战内容，包括等纹波设计、IIR设计、以及不同实现结构对硬件资源的影响。如果这篇文章对你有帮助，或者你有踩过其他我没提到的坑，欢迎私下交流，互相补全经验库。