在信号与系统、电路分析以及数字信号处理领域，卷积是一个核心概念。对于初学者而言，解析推导往往抽象难懂，而卷积图解法则通过直观的几何变换，揭示了卷积积分的物理意义。本文将详细拆解卷积图解法的五个步骤，并结合网友高频疑问，提供深度解析与实例演示。
卷积积分公式为：
| 符号 | 含义 |
|---|---|
| y(t) = f(t) h(t) | 输出信号等于输入信号与冲激响应的卷积 |
| y(t) = ∫-∞+∞ f(τ)h(t-τ)dτ | 卷积积分的数学定义 |
虽然公式简洁，但在实际计算中，尤其是处理分段函数或有限持续时间的信号时，直接积分容易出错。卷积图解法通过将抽象的变量 t 转化为几何图形的平移，帮助学习者：
计算 f(t) h(t) 的图解过程，通常固定一个信号（如 h(t)），对另一个信号（f(t)）进行操作。以下是标准的卷积图解法的五个步骤：
将时间变量 t 替换为哑变量 τ。选择其中一个信号，例如 f(τ)，将其关于纵轴（τ=0）进行翻转，得到 f(-τ)。
注意：翻转是相对于纵轴对称，不是左右颠倒，而是将图形“折”过去。如果 f(τ) 在 [1,2]，则 f(-τ) 在 [-2,-1]。
将翻转后的信号 f(-τ) 沿 τ 轴进行平移。若 t > 0，向右平移 t 个单位，得到 f(t-τ)；若 t < 0，向左平移 |t| 个单位。
关键点：t 是一个变化的参数，因此平移量是动态的。这一步是理解卷积时变特性的关键。
在同一个 τ 坐标系中，画出未移动的另一个信号 h(τ) 与平移后的信号 f(t-τ)。计算两者在重叠区域的乘积。
技巧：如果重叠区域为0，则乘积为0，无需积分。
对重叠区域的乘积函数关于 τ 进行积分。积分的上下限由重叠区域的左边界和右边界决定。
公式：y(t) = ∫overlap_startoverlap_end h(τ)f(t-τ) dτ
由于平移量 t 的变化，重叠区域的形状和范围可能会发生改变。需要找出这些“临界点”（即信号边缘相遇或分离的时刻），将 t 轴划分为不同的区间，分别计算积分，最后合并结果。
在掌握卷积图解法的五个步骤后，许多同学在实战中仍会遇到困难。以下是基于社区反馈整理的高频痛点解析：
很多同学将 f(t) 变为 f(-t) 时，只是简单地把图形左右互换，忘记了坐标轴的变换。记住：f(-τ) 是关于纵轴对称。如果原信号在正半轴，翻转后必在负半轴。
对于 f(t-τ)，当 t 增加时，信号是向右平移的。这可以通过令 τ = t 时，f(t-t)=f(0) 来验证，峰值位置从 0 移到了 t。
卷积满足交换律。通常选择分段更少、表达式更简单的信号进行翻转和平移。例如，一个是阶跃信号 u(t)，另一个是三角形脉冲，翻转三角形通常比翻转阶跃更直观。
如果两个信号都是偶函数，卷积结果也是偶函数。利用对称性可以减少一半的计算量。例如，矩形脉冲与自身的卷积是三角形脉冲，具有对称性。
让我们通过一个具体例子来演练卷积图解法的五个步骤。
题目： 设 f(t) = u(t) - u(t-2) （宽度为2的矩形窗），h(t) = e-tu(t) （单边指数衰减）。求 y(t) = f(t) h(t)。
将 h(τ) 翻转得 h(-τ) = eτu(-τ)。这是一个在 τ<0 区间存在的指数增长信号。
得到 h(t-τ) = e-(t-τ)u(t-τ) = eτ-tu(t-τ)。u(t-τ) 意味着 τ < t。即信号在 τ=t 的左侧非零。
f(τ) 在 [0, 2] 非零（值为1）。h(t-τ) 在 (-∞, t] 非零。
我们需要讨论 t 的位置：
计算：
Case 2 (0≤t<2): y(t) = ∫0t 1 · eτ-t dτ = e-t [eτ]0t = e-t(et-1) = 1 - e-t
Case 3 (t≥2): y(t) = ∫02 1 · eτ-t dτ = e-t [eτ]02 = e-t(e2-1) = (e2-1)e-t
| t 的范围 | y(t) 表达式 | 物理意义 |
|---|---|---|
| t < 0 | 0 | 系统尚未响应 |
| 0 ≤ t < 2 | 1 - e-t | 指数上升阶段，受输入窗口限制 |
| t ≥ 2 | (e2-1)e-t | 指数衰减阶段，输入已撤除，系统自由响应 |
这个例子展示了卷积图解法如何清晰地划分时间段，并给出分段连续的结果。注意在 t=2 处，两个表达式值是相等的，保证了连续性。
在工程实践中，我们常使用 MATLAB 或 Python 来验证卷积结果。以下是使用 Python 进行数值卷积的示例，这与图解法的逻辑是一致的：将信号离散化，进行翻转、移位、乘积和累加。
import numpy as np
import matplotlib.pyplot as plt
def discrete_convolution(f, h, dt):
"""
离散卷积模拟图解法逻辑
f: 输入信号数组
h: 冲激响应数组
dt: 时间步长
"""
# 卷积结果长度 = len(f) + len(h) - 1
y = np.convolve(f, h) dt
return y
示例数据
t = np.linspace(-5, 5, 1000)
f = np.where((t >= 0) & (t < 2), 1, 0) # 矩形脉冲
h = np.exp(-t) (t >= 0) # 指数信号
计算卷积
y = discrete_convolution(f, h, t[1]-t[0])
print("卷积计算完成，结果维度:", y.shape)
这是卷积积分定义式 y(t) = ∫ f(τ)h(t-τ)dτ 的数学要求。为了在几何上直观表示 h(t-τ)，必须先将 h(τ) 翻转成 h(-τ)，再平移 t 得到 h(t-τ)。这体现了线性时不变系统中“记忆”的加权叠加过程。如果不翻转，直接平移得到的是 h(t+τ)，那是相关函数而非卷积。
积分上下限由两个信号在 τ 轴上的非零值区间的重叠部分决定。具体来说：
当计算出的上限小于下限时，说明无重叠，积分为0。在实际操作中，画出两个信号在特定 t 值下的位置，目视检查重叠区间是最快的方法。
卷积满足交换律，即 f(t)h(t) = h(t)f(t)。在图解时，通常选择形状简单、分段少或表达式简单的信号进行翻转和平移。例如，一个是阶跃信号 u(t)，另一个是三角形脉冲，翻转三角形通常比翻转阶跃更直观，因为阶跃信号的翻转和平移只是改变定义域，而三角形需要跟踪顶点和边缘的移动。
若信号 f(t) 持续时间为 [t1, t2]，信号 h(t) 持续时间为 [t3, t4]，则卷积结果 y(t) 的持续时间为 [t1+t3, t2+t4]。这意味着卷积会“拉长”信号的时间跨度。例如，两个宽度为 T 的矩形脉冲卷积，结果是一个宽度为 2T 的三角形脉冲。
卷积图解法的五个步骤——翻转、平移、相乘、积分、分段，是解决连续时间卷积问题的有力工具。它不仅提供了计算路径，更揭示了信号在时域中相互作用的几何本质。通过熟练运用这些步骤，结合对信号性质的理解，您可以轻松应对各种复杂的卷积计算问题。
希望本文能帮助您彻底掌握这一核心知识点。如有更多疑问，欢迎在评论区讨论，或查阅相关信号与系统教材。