1. 课程导入与问题定义

在理想条件下，我们总希望传感器记录到的信号就是被测对象本身的真实响应。但在绝大多数工程与科研场景中，观测信号 \(y(t)\) 并不是原始激励 \(x(t)\) 的忠实副本，而是经过了测量系统（传感器、放大器、滤波器、传输信道）的卷积作用，并叠加了噪声污染。用数学语言描述，这一过程可以写成：

y(t) = h(t) * x(t) + n(t)
      = ∫ h(τ)·x(t-τ) dτ + n(t)

其中 \(h(t)\) 是系统冲激响应，\(*\) 表示卷积，\(n(t)\) 是加性噪声。本课程要解决的核心问题就是：已知观测 \(y(t)\) 和（或部分已知的）系统特性 \(h(t)\)，如何尽可能恢复出真实信号 \(x(t)\)。这个逆过程称为反卷积；当噪声不可忽略时，单纯的反卷积会放大噪声，因此必须引入噪声抑制反演策略。

卷积失真与噪声污染在观测信号中的典型表现

理解问题的最好方式是先看“坏信号”长什么样。卷积失真最直观的表现是波形展宽、边沿变缓、峰值降低与振铃。例如一个上升时间约 1 μs 的脉冲经过带宽 100 kHz 的一阶低通系统后，上升时间会被拉长到约 3.5 μs，幅度也会因能量扩散而下降。在频域上，卷积表现为乘性加权：\(Y(f)=H(f)X(f)+N(f)\)，系统在通带边缘的衰减会直接压制信号的高频成分，使细节丢失。

噪声污染则表现为随机起伏、基线漂移和高频毛刺。它的危害在反卷积阶段会被急剧放大：若直接做频域除法 \(\hat{X}(f)=Y(f)/H(f)\)，在 \(H(f)\) 接近零的频段，噪声 \(N(f)\) 被除以一个极小数，结果会爆炸式增长。这正是“反卷积不等于简单求逆”的根本原因，也是本课程必须同时处理噪声抑制的原因。

核心目标与技术边界

反卷积与噪声抑制反演的目标可以拆成三个层次：可辨识（系统特性 \(h(t)\) 或 \(H(f)\) 已知或可估计）、可恢复（在噪声水平下能稳定重建 \(x(t)\) 的主要成分）、可评估（有明确的指标判断恢复质量）。这三者缺一不可。很多初学者只关注“算法能不能跑”，却忽略了系统是否可辨识、噪声是否在可控范围内，结果得到看似平滑却严重失真的结果。

技术边界同样需要提前明确。第一，信息论边界：若 \(H(f)\) 在某频段严格为零，该频段的信号信息已被系统彻底抹去，任何算法都无法无中生有地恢复，只能靠先验假设外推。第二，噪声放大边界：反卷积的增益与 \(1/|H(f)|\) 成正比，噪声会被同等放大，因此恢复精度受信噪比制约。第三，模型失配边界：实际系统往往时变、非线性，用线性时不变模型近似会引入系统误差。理解这些边界，才能合理设定预期，避免“算法万能”的误解。

典型应用场景

反卷积与噪声抑制反演广泛存在于多个领域。在超声成像中，换能器冲激响应会使回波展宽、降低轴向分辨率，反卷积可锐化回波、提升分辨能力。在地震勘探中，震源子波与地层反射系数卷积形成地震道，反卷积用于压缩子波、提高地层分辨。在通信系统中，信道冲激响应造成码间干扰，均衡器本质上就是自适应反卷积。在光谱与色谱分析中，仪器展宽函数会使谱峰变宽，反卷积用于峰位分离与定量分析。此外，在生物医学信号（如动脉血压波形重建）、图像复原（去模糊）中也有大量应用。

最后需要强调一个贯穿全课程的原则：反演结果的可信度取决于对正向过程的建模精度与对噪声统计特性的把握。任何反卷积方法都不是魔法，它只是在已知信息与合理假设下，对真实信号做出的最优估计。带着这个认识进入后续学习，才能在实际问题中选对方法、设对参数、看懂结果。