以下是为您整理的 现代信号处理教程 核心内容框架及经典教材推荐，结合理论与实践，适合系统学习：

一、核心知识模块

1. 基础理论

• 信号分类：连续/离散、确定性/随机、周期/非周期
• 采样定理：Nyquist 采样与抗混叠
• 线性时不变系统（LTI）：冲激响应、卷积、稳定性分析
• 正交变换：DFT/FFT、DCT、Haar变换

2. 时频分析

• 短时傅里叶变换（STFT）：窗函数选择、时频分辨率权衡
• 小波变换：多尺度分析（Haar, Daubechies）、去噪与压缩
• 希尔伯特-黄变换（HHT）：经验模态分解（EMD）

3. 随机信号处理

• 随机过程：平稳性、各态历经性、自相关/互相关函数
• 功率谱估计：周期图法、Welch法、ARMA模型参数化方法
• 维纳滤波：最小均方误差准则
• 卡尔曼滤波：状态空间模型与递归估计

4. 现代高阶方法

• 自适应滤波：LMS/NLMS算法、RLS算法（回声消除、信道均衡）
• 稀疏信号处理：压缩感知理论（测量矩阵、重构算法）
• 机器学习融合：基于深度学习的信号降噪（DNN, CNN）、端到端信号识别

二、经典中文教材推荐

1. 《现代信号处理教程》 - 胡广书（清华大学出版社）

   • 特点：理论严谨，涵盖小波、自适应滤波等进阶内容，适合研究生。
   • 配套：MATLAB实例代码。

2. 《数字信号处理》 - 程佩青（清华大学出版社）

   • 重点：DFT/FFT、滤波器设计、多速率处理，本科经典教材。

3. 《统计信号处理》 - 罗鹏飞（电子工业出版社）

   • 侧重：贝叶斯估计、检测理论、非线性滤波实战案例。

三、实践工具与资源

• 编程工具：Python（SciPy, PyWavelets, TensorFlow）、MATLAB（Signal Processing Toolbox）
• 开源项目：
  • Librosa（音频信号处理）
  • PyTorch Signal Processing（深度学习+信号处理）
• 数据集：
  • 物理信号：UCI 机器学习的传感器数据集
  • 生物医学：MIT-BIH 心律失常数据库（ECG信号）

四、学习路径建议

graph LR
A[信号与系统基础] --> B[数字信号处理经典理论]
B --> C[时频分析 STFT/小波]
B --> D[随机信号与功率谱估计]
C & D --> E[自适应滤波/卡尔曼滤波]
E --> F[压缩感知/机器学习方法]

五、应用领域参考

• 通信：5G信号调制识别、信道编码
• 医疗：EEG/ECG病理特征提取
• 工业：振动信号故障诊断
• 人工智能：语音增强（如降噪、分离）、雷达目标识别

提示：掌握理论基础后，建议结合具体领域（如音频、图像、生物医学）实战项目深化理解。需要具体章节详解或MATLAB/Python代码示例，可进一步说明需求方向！