第一步：时域到频域转换
对输入信号 x(t) 和冲激响应 h(t) 分别进行傅里叶变换（或FFT），得到 X(ω) 和 H(ω)。
在信号处理、物理学以及工程数学的广阔领域中，卷积定理（Convolution Theorem）无疑是最具威力且应用最广泛的工具之一。它揭示了一个令人惊叹的数学事实：两个函数在时域（或空域）中的复杂卷积运算，在频域中仅仅表现为简单的乘法运算。这一发现不仅简化了理论推导，更在计算机算法的实现中引发了革命。
若 f(t) 和 g(t) 是两个可积函数，且它们的傅里叶变换分别为 F(ω) 和 G(ω)，则它们的卷积 (f g)(t) 的傅里叶变换等于各自傅里叶变换的乘积 F(ω)G(ω)。
直接计算卷积的时间复杂度为 O(N²)，而利用卷积定理结合快速傅里叶变换（FFT），可以将复杂度降低至 O(N log N)。这对于处理高清视频、大规模音频信号至关重要。
不仅限于连续信号，该定理同样适用于离散信号（DFT）、周期信号（FS）以及非周期离散信号（DTFT），是数字信号处理（DSP）的基石。
为了深入理解卷积定理，我们需要从傅里叶变换的定义出发。设函数 f(t) 的傅里叶变换为 F(ω)：
F(ω) = ∫_{-∞}^{∞} f(t) e^{-jωt} dt卷积的定义为：
(f g)(t) = ∫_{-∞}^{∞} f(τ) g(t - τ) dτ卷积定理指出：
F{(f g)(t)} = F(ω) · G(ω)这意味着，如果我们想计算两个复杂信号的卷积，直接积分往往极其困难。但如果我们先将它们变换到频域，变成代数乘法，再变换回时域，问题就迎刃而解了。这种“换元”思想是解决线性时不变系统（LTI）响应问题的关键。
| 信号类型 | 时域操作 | 频域操作 | 变换对 |
|---|---|---|---|
| 非周期连续信号 | 卷积 ∫ f(τ)g(t-τ)dτ | 乘积 F(ω)G(ω) | 傅里叶变换 (FT) |
| 周期连续信号 | 周期卷积 ∫ f(τ)g(t-τ)dτ (周期内) | 系数乘积 F_k · G_k | 傅里叶级数 (FS) |
| 非周期离散信号 | 线性卷积 Σ f[m]g[n-m] | 乘积 F(e^jω)G(e^jω) | 离散时间傅里叶变换 (DTFT) |
| 周期离散信号 | 循环卷积 Σ f[m]g[(n-m)_N] | 乘积 F[k]G[k] | 离散傅里叶变换 (DFT) |
在实际工程应用中，直接求解卷积积分或求和往往计算量巨大。以下是利用卷积定理简化计算的标准流程：
对输入信号 x(t) 和冲激响应 h(t) 分别进行傅里叶变换（或FFT），得到 X(ω) 和 H(ω)。
将两个频域信号逐点相乘：Y(ω) = X(ω) · H(ω)。这一步在计算机中只需 N 次复数乘法，远少于时域卷积的 N² 次运算。
对乘积结果 Y(ω) 进行逆傅里叶变换（或IFFT），得到最终输出 y(t)。
在使用离散傅里叶变换（DFT/FFT）实现卷积定理时，必须注意循环卷积与线性卷积的区别。DFT对应的时域操作是循环卷积。若要利用FFT计算线性卷积，需对信号进行补零（Zero-padding），使序列长度至少为 L + M - 1（L为x长度，M为h长度），以避免时域混叠效应。
从音频编辑到医学影像，卷积定理的应用无处不在。以下是几个典型的网民关注的热点领域：
在音频处理和通信系统中，滤波器设计是核心环节。低通、高通、带通滤波器的频域响应 H(ω) 通常很容易设计。通过卷积定理，我们可以快速计算出滤波器对输入信号的时域响应。例如，在降噪耳机中，实时分析环境噪声并生成反相声波，背后正是高效的卷积运算在支撑。
图像本质上是二维信号。图像的模糊、锐化、边缘检测等操作都可以看作是与不同核（Kernel）的卷积。例如，高斯模糊就是图像与高斯核的卷积。利用卷积定理，大尺寸图像的高斯模糊可以通过FFT加速，显著提升渲染速度，广泛应用于Photoshop等软件及实时视频特效中。
虽然CNN中的“卷积”严格来说是互相关，但其理论基础深受信号处理中卷积定理的影响。在训练深层网络时，理解感受野（Receptive Field）与有效卷积核大小的关系，有助于设计更高效的网络结构。此外，频域分析也被用于理解神经网络的泛化能力和对抗鲁棒性。
在线性时不变系统（LTI）中，系统的输出等于输入信号与系统冲激响应的卷积。卷积定理使得分析系统频率特性变得极其简单。在电路分析中，它用于计算RC电路对任意波形的响应；在结构力学中，用于计算振动系统的位移响应。
卷积定理指出，时域中的卷积运算等价于频域中的乘积运算。即 f(t) g(t) ↔ F(ω)·G(ω)。这一定理极大地简化了复杂信号的卷积计算过程，是信号处理、图像处理及通信工程等领域的理论基础。
在图像处理中，卷积用于模糊、锐化、边缘检测等操作。通过卷积定理，我们可以利用快速傅里叶变换（FFT）将空间域的卷积转换为频域的乘积，从而大幅提高计算效率，特别是对于大尺寸图像，FFT加速可以将计算时间从分钟级降低到毫秒级。
严格来说，CNN中的操作是互相关（Cross-Correlation），而非数学上的卷积。主要区别在于卷积操作需要对核（Kernel）进行180度翻转，而互相关不需要。但在深度学习框架中，由于权重是可学习的，这种翻转通常被省略或隐含在权重初始化中，因此习惯上仍称为卷积。对于对称核，两者是等价的。
使用DFT/FFT计算线性卷积时，必须防止时域混叠。步骤如下：1. 确定信号长度L和M；2. 将两个信号补零至长度至少为 L+M-1；3. 分别计算FFT；4. 频域相乘；5. 计算IFFT。补零的目的是将循环卷积扩展为线性卷积。