今天分享的是：2025感知信号处理技术研究报告
报告共计：111页
本报告聚焦于通感一体化中的感知信号处理技术，系统梳理其关键技术框架、典型应用场景及未来研究方向，旨在为5G-A及未来通信系统提供技术支撑。以下从核心技术、应用场景和未来展望三方面展开总结：
一、感知信号处理核心技术体系
感知信号处理涵盖信号预处理、信息提取、目标识别、协作融合及AI应用等关键环节。在信号预处理阶段，通过数据去噪（如Hampel滤波器、SG滤波、小波变换）、干扰抑制（如扩展相消算法ECA、自干扰消除）和数据降维（如子载波选择、主成分分析PCA）提升原始信号质量，降低计算复杂度。
感知信息提取分为瞬时信息、统计信息和时变信息三类。瞬时信息提取采用周期图类（如3D-DFT）、空间谱类（如MUSIC算法）和优化类（如压缩感知）算法，实现距离、速度、角度等参数的高精度估计；统计信息提取通过均值、方差、峰态等特征描述信号分布，适用于活动识别等场景；时变信息提取利用时域差分和时频分析（如短时傅里叶变换STFT）捕捉信号动态变化，用于微动目标监测。
目标识别技术基于特征参数匹配，通过微多普勒特征区分无人机与鸟类，利用雷达散射截面积（RCS）统计模型实现目标分类，并结合AIC、MDL等算法估计目标数量。协作信息融合则针对多基站场景，提出数据级、信号级、符号级融合方法，解决同步误差与感知数据聚合难题，提升定位精度。
AI技术深度融入感知流程，通过卷积神经网络（CNN）、自编码器等实现数据去噪、特征提取和多目标感知，显著提升系统智能化水平。例如，基于AI的单目标多参数联合感知模型和多目标数量自适应检测方案，有效突破传统算法的复杂度瓶颈。
二、典型应用场景与信号处理流程
报告针对三类典型场景提出具体解决方案：入侵检测通过CSI幅度方差分析和阈值判决实现异常识别，结合Hampel滤波和小波变换去除环境噪声；参数估计利用FFT和MUSIC算法完成距离、速度、角度的多步估计，并通过恒虚警检测（CFAR）确认目标存在；微多普勒感知通过时频分析提取旋翼无人机与鸟类的特征差异，实现目标分类。
三、感知信息表达与可靠性评估
感知信息表达分为基本信息、压缩信息和协作信息三类。基本信息基于完整信道状态信息（CSI），但反馈开销较大；压缩信息通过质量门限、参数筛选、图谱匹配等方法减少冗余，例如仅反馈直射径或关键特征参数；协作信息融合多基站数据，支持数据级（如TDOA定位）和符号级（如格点匹配）高精度感知。
可靠性评估引入感知信噪比（SNR）和信干噪比（SINR），通过统计目标信号功率与噪声、干扰功率的比值，量化信号质量，为波束管理和资源配置提供依据。
四、未来研究方向
报告指出，未来需重点突破高效AI算法（如端到端感知模型）、多模态信号融合（结合视觉、雷达信号）和轻量化协作感知技术，以提升复杂场景下的感知精度与效率。同时，非均匀量化、智能资源分配等方向的研究将推动感知信号处理的标准化与产业化落地。
综上，本报告构建了完整的感知信号处理技术体系，验证了其在多场景中的有效性，为6G通感一体化发展奠定了理论与技术基础。
以下为报告节选内容
