一句话定义
傅里叶变换（Fourier Transform）是一种把信号从“随时间或空间变化的波形”，转换成“由哪些频率、各自多强、相位如何的正弦波组成”的数学工具。正变换负责拆解，逆变换负责还原。
原理：像把一锅汤还原成配料表
一段音乐是复杂的声波，但耳朵能分辨出低音鼓、人声和镲片。傅里叶变换相当于把混在一起的汤，按频率分成一列“配料”：低频有多少、中频有多少、高频有多少。每个正弦波都有幅度和相位，把它们叠加起来，又能还原原来的信号。
数学上，连续信号用积分做变换；计算机里的信号是离散采样，所以用离散傅里叶变换（Discrete Fourier Transform, DFT）。快速傅里叶变换（Fast Fourier Transform, FFT）不是另一种变换，而是高效计算 DFT 的算法族。它把计算量从“慢得没法用”降到“日常可算”，才让音频、图像、通信里的频域处理真正普及。
和相邻概念的区别
| 概念 | 处理对象 | 输出 |
|---|---|---|
| 傅里叶级数 | 周期信号 | 离散的谐波分量 |
| 傅里叶变换 | 连续、非周期信号 | 连续频谱 |
| DFT / FFT | 离散采样信号 | 离散频谱 |
| 短时傅里叶变换（STFT） | 频率随时间变化的信号 | 时频谱图（spectrogram） |
| 离散余弦变换（DCT） | 实数信号，尤其图像音频 | 余弦系数，常用于压缩 |
STFT 是加窗分段做傅里叶变换，所以能看出“第几秒出现了什么频率”。DCT 可以理解为只取余弦分量的近亲，JPEG、MP3 这类压缩就常用它。
对 AI 从业者的意义
第一，卷积定理（Convolution Theorem）：时域或空域中的卷积，等价于频域中的逐点相乘。这既解释了卷积神经网络（CNN）的滤波行为，也提供了频域加速和频域滤波的思路。严格说，CNN 里常做的是互相关，但频域视角相通。
第二，音频任务：语音识别、音乐分类、降噪、文本转语音，通常先把波形转成 STFT 或梅尔频谱（Mel spectrogram），再送进模型。模型看到的不是“声波曲线”，而是“频率随时间的热力图”。
第三，图像任务：压缩、去噪、超分辨率、对抗攻击与鲁棒性，都会用到频域分析。高频常对应边缘和噪声，低频对应整体结构。
对普通人来说，手机降噪、JPEG 压缩、音乐流媒体、Wi-Fi 和医学影像，背后都有傅里叶变换的影子。记住一句话：它不是玄学，而是换一副眼镜看数据——从“什么时候发生”切换到“由哪些节奏组成”。具体库和接口以官方文档为准。