纵观微多普勒效应的研究我们可以看到，美国知名学者Victor C.Chen于2003年在其文章中提出微多普勒效应概念。文中他指出，除了目标及其某些部分在其的目标本省主方向运动之外，还存在其他机械运动，而这会引起雷达回波频率调制，进而产生雷达多普勒效应的旁瓣，此即为微多普勒效应。
至于此概念的溯源，可以追溯到连续激光的相关研究，该系统向外辐射一具有光波频段的电磁波，与此同时接收以目标为背景的光波，因其保留有较好的回波的相关相位信息，从而通过相比参考相位便可以获得灵敏度很高的相位识别。
而近些年的研究趋势则是将雷达目标识别联系微多普勒并行研究，从而发展出了基于微多普勒分析的目标识别技术。微多普勒技术主要研究目标的微运动特征所带来的频移特性。假如已知某个微运动状态下的目标物体的先验信息，则可以从雷达回拨中提取出目标的运动特征，进而判断目标，亦或者是目标的先验微运动信息未知，我们依旧能够从雷达回波信息中提取到许多如目标运动方向、微运动周期等有用信息，以此来判断目标以及目标运动的类型。借助研究目标运动产生的微多普勒效应，我们能够确定目标特征，并且微多普勒效应还提供了一种新的、用来分析目标物体类型和它的结构的方法。我们可以将微多普勒特征视为是现存的分析目标特征方法上的一种补充，能够用来确认特殊目标的类型，甚至是可以以此来确定目标的运动形式以及引擎所引起的震动速度。而借助引擎振动引起的目标的回波信息可以确定产生振动的引擎是隶属于何种运动物体的。于是在实时处理的帮助下，通过对目标类型的判断和估计迅速做出相应反应，进而获得最适时的主动权。
因为关于微多普勒的相关研究尚未完善，只是处于初级、起步阶段，以至于我们能够推测到，微多普勒效应在雷法方向及其他领域中的应用还具有巨大的潜力值得我们挖掘。
1.2  时频分析算法
在本篇文章中，我们将会采用一些时频分析算法来帮助我们进行了解、研究微多普勒效应，具体的方法就有STFT、文纳格分布等，接下来我们会对此进行相关介绍，以便帮助对文章后续内容的理解。
时频分析（JTFA）即时频联合域分析（Joint Time-Frequency Analysis）的简称，作为分析时变非平稳信号的有力工具，成为现代信号处理研究的一个热点，它作为一种新兴的信号处理方法，近年来受到越来越多的重视。时频分析方法提供了时间域与频率域的联合分布信息，清楚地描述了信号频率随时间变化的关系。时频分析的基本思想是：设计时间和频率的联合函数，用它同时描述信号在不同时间和频率的能量密度或强度。时间和频率的这种联合函数简称为时频分布。利用时频分布来分析信号，能给出各个时刻的瞬时频率及其幅值，并且能够进行时频滤波和时变信号研究。
接下来介绍几种具体时频分析方法:
短时傅里叶变换（STFT，short-time Fourier transform，或 short-term Fourier transform)）是和傅里叶变换相关的一种数学变换，用以确定时变信号其局部区域正弦波的频率与相位。
连续时间短时傅里叶变换：
                                         （1.1）
其中x（t）代表信号，w（t）是窗函数。
离散时间短时傅里叶变换：
                                           （1.2） MATLAB时频分析方法的微多普勒理论研究(2):http://www.youerw.com/wuli/lunwen_13843.html