这是FFT入门阶段非常常见的问题，核心原因是栅栏效应和频谱泄漏，我来给你拆解清楚：

为什么120Hz只有单一峰值？ #

FFT的计算依赖一组固定的频率点，这些点由你的采样率（Fs）和采样点数（N）决定，频率分辨率公式为：Δf = Fs/N。

只有当信号频率刚好是Δf的整数倍时，FFT才会在对应频率点上呈现单一峰值——你的120Hz信号刚好完美落在了FFT的某个频率点上，所以能量完全集中在该点。

为什么130Hz、140Hz会出现多峰值？ #

当信号频率不是Δf的整数倍时，会触发两个关键现象：

• 栅栏效应：FFT的频率点就像一排栅栏，不在栅栏“缝隙”（频率点）上的频率成分无法被直接检测，它的能量会被分摊到相邻的几个频率点上，看起来就像多个峰值。
• 频谱泄漏：信号的周期与FFT采样窗口不匹配，相当于你截断了完整的信号周期，这会导致原本集中在单一频率的能量扩散到整个频谱，产生旁瓣（那些额外的小峰值）。

实用解决办法 #

• 提高频率分辨率：增加采样点数N（比如从现有数值增大到1024或2048），这样Δf会变小，让130Hz、140Hz更接近FFT的频率点，峰值会更集中。
• 使用窗函数：在FFT前给信号加窗（比如汉宁窗hann(N)、汉明窗hamming(N)），虽然不能完全消除泄漏，但能大幅降低旁瓣幅度，让主峰值更突出。
• 匹配信号周期与采样窗口：调整采样率Fs或采样点数N，让Fs/N能整除目标频率（比如目标是130Hz时，设置Fs=1300Hz、N=10，此时Δf=130Hz，刚好匹配）。

Matlab代码示例 #

你可以跑这段代码直观感受不同场景的差异：

% 模拟你的测试场景
Fs = 600;          % 采样率
N = 5;             % 采样点数，Δf = 600/5 = 120Hz
t = 0:1/Fs:(N-1)/Fs;

% 120Hz信号（完美匹配Δf）
x1 = sin(2*pi*120*t);
Y1 = fft(x1);
f_axis = Fs*(0:(N/2))/N;
figure; plot(f_axis, 2*abs(Y1(1:N/2+1))/N);
title('120Hz信号FFT结果'); xlabel('频率(Hz)'); ylabel('幅值');

% 130Hz信号（不匹配Δf）
x2 = sin(2*pi*130*t);
Y2 = fft(x2);
figure; plot(f_axis, 2*abs(Y2(1:N/2+1))/N);
title('130Hz信号FFT结果'); xlabel('频率(Hz)'); ylabel('幅值');

% 加汉宁窗改善泄漏
x2_windowed = x2 .* hann(N);
Y2_win = fft(x2_windowed);
figure; plot(f_axis, 2*abs(Y2_win(1:N/2+1))/N);
title('加汉宁窗后的130Hz信号FFT'); xlabel('频率(Hz)'); ylabel('幅值');

内容的提问来源于stack exchange，提问作者SAIP