为何要讲性质，而不只是那个积分
在上一篇指南里，你见过了傅里叶变换对：时间域里的函数 f(t) 与它在频率域里的变换 F(omega) = f(t) e^{-i omega t} dt 之积分，同一个对象的两张脸。原则上，你可以对每个新问题都从零开始硬磨那个积分。但几乎没人这么做，原因在此：你亲手算出的少数几个变换会成为一本小字典，而几条性质就能让你对字典里的条目做平移、拉伸与组合，从而几乎够到你所需的一切——再也不必碰那个积分号。
下面每一条性质都源自同一处：变换是线性的，且建立在波 e^{-i omega t} 之上。单单线性就已经说明，和的变换等于各变换之和，常数倍则可直接穿过——正是那条贯穿傅里叶级数与线性微分方程的叠加原理。更丰富的性质来自一个更尖锐的提问：当你在时间域里对 f 做某件简单的事，频率域里 F 上对应的动作是什么？答案出奇地干净，一旦记住，便把变换变成了一台计算器。
平移与调制：两个域之间的一场拔河
先看最简单的动作：把信号在时间上往后滑动一个量 a，即把 f(t) 换成 f(t - a)。F 会怎样？时移性质说，F(omega) 的幅度丝毫不变——每个频率仍以相同的量存在——但每个频率会沾上一个相位扭转 e^{-i omega a}。这在直觉上恰恰正确：把一首歌延迟播放，并不改变它含有哪些音，只改变每个波在何时到达波峰。纯粹的延迟对能量谱是隐形的，它整个地藏在相位里。
现在把它反过来。不做平移，而是把信号乘以一个波：把 f(t) 换成 e^{i omega_0 t} f(t)。这就是调制性质，它在频率域里所做的，恰好就是平移在时间域里所做的事——它把整个频谱滑动，使 F(omega) 变成 F(omega - omega_0)。在一个域里乘以一个波，就是在另一个域里做平移；这两种操作隔着变换互为镜像。这正是调幅广播的原理：把你的声音乘以一个高频载波，就把它的频谱抬升到广播频段，而接收机再乘一次，把它滑回原处。
缩放与对偶：这边窄，意味着那边宽
把信号在时间上挤紧——把 f(t) 换成 f(a t)，其中 a > 1，将它压成一段更短的爆发。缩放性质说，它的变换变成 (1/|a|) F(omega/a)：信号越窄，频谱反而铺得越宽，并略微变暗以守恒面积。这不是怪癖，而是一条定律。一记尖锐、短促的咔哒声，必然含有一整段宽阔的频带；而一个绵长、慵懒的音，则几乎是单一的纯频率。你无法同时拥有一个在时间上紧凑、又在频率上紧凑的信号——挤紧一头，另一头就摊开。这个权衡，正是量子力学中海森堡不确定性原理底下的数学骨架；那条原理究其本质，就是把这条缩放性质用到一个波包上。
在所有这些性质对的对称背后，坐着一个更深的事实：变换的对偶性。正变换（时间到频率）与逆变换（频率到时间）几乎是同一个积分——它们只差指数上的一个符号和一个 2 pi 因子。于是任何一个变换对，倒过来读，就白送你第二个变换对。经典例子是高斯函数，也就是来自高斯积分的那条钟形曲线：它的傅里叶变换仍是一个高斯函数。它是自己隔着变换的回声——这正是为什么钟形曲线是宽度权衡的边界情形，是那个在两个域里同样紧凑的唯一形状。
卷积：一个信号被另一个信号抹开
现在轮到主角。世上许多最有用的操作都不是逐点的——它们把一个值与它的邻居们搅在一起。把照片模糊，是用每个像素周围那些像素的加权平均来替换它。一间有混响的房间，是用之前各时刻渐渐衰减的回声来替换当下每一刻的声音。任何线性时不变系统的输出，都是它的输入被该系统的冲激响应抹开的结果。这个抹开操作有个名字：卷积，写作 (f * g)(t) = f(tau) g(t - tau) d tau 之积分。慢慢读它：对每个输出时刻 t，你把 g 翻转，滑到位置 t，处处与 f 相乘，再把重叠加起来。它是把一个函数拖过另一个函数的一次扫掠。
若直接计算，卷积是沉重的：对每一个输出点，你都得做一整个积分，一个拖过整段信号的重叠求和。对于一段长录音或一张百万像素的图像，那是巨量的算术。这就是那堵墙——而卷积定理就是穿墙而过的那道门。你在拉普拉斯的世界里已经见过它的同胞，拉普拉斯卷积定理；傅里叶版本是同一个美丽的想法，是整套频率域工具背后的引擎。
卷积定理：抹开变成相乘
下面这句话，才让本篇指南配得上它的标题。傅里叶卷积定理说：一个卷积的变换，等于各变换的普通乘积。用符号写，若 f * g 是卷积，则它的变换不过是 F(omega) 乘以 G(omega)，逐点相乘。时间域里那个笨拙的扫掠积分，到了变换域里就成了一次朴素的、逐频率的乘法。（对偶性两边都成立：在时间里把两个信号相乘，就是在频率里把它们的频谱卷积——这是搭档命题。）它为什么成立？因为卷积恰恰是这样构造出来的：让每个纯波互不纠缠地穿过；而变换正是把一个信号分拣成那些纯波。
这份直觉值得多停留一会儿。把单一纯波 e^{i omega t} 喂进一个抹开操作，它出来时还是同一个波，只是被缩放并移了相——它的频率毫发未损。所以在纯波这组基底里，抹开是对角的：每个频率只是被乘上属于它自己的一个数，而那个数就是 G(omega)，抹开者的变换。把 f 分拣成它的各个频率、把每个乘上对应的因子、再重新组装，恰好就是「变换、相乘、逆变换」。卷积定理说的就是：傅里叶变换把卷积对角化了——正是当年在线性代数里特征值让矩阵变简单的同一个道理。
- 把两个信号都做变换：把输入 f 和抹开核 g（一个模糊形状、一个滤波器、一个冲激响应）送到它们的频谱 F(omega) 与 G(omega)。
- 逐点相乘：在每个频率上，作出乘积 F(omega) G(omega)。这一次乘法，替代了整个扫掠的卷积积分。
- 逆变换回时间域：对乘积做逆傅里叶变换，你就得到了 f * g，那个被抹开的输出——全程不曾算过一个重叠积分。
滤波，以及对这本字典的诚实审视
正是这条定理，让滤波在频率空间里如此简单。要从一段录音里除去 60 Hz 的嗡嗡声，你不必在时间域里设计什么繁复的平均——你做变换，把频谱在 60 Hz 附近置零，再变换回去。要锐化或模糊一张图像，你重塑它的频谱再逆变换。每一个均衡器、噪声门、边缘检测器，骨子里都是一次乘法 G(omega)，它被选来放行你想要的频率、压制其余。又因为存在一种快速算法来计算采样数据的变换，「变换、相乘、逆变换」这一来回，远比它所替代的直接卷积便宜得多——这正是它不止是优雅理论、更是现代信号与图像处理主力的原因。
还有一条性质把这个圆圈合拢，并接到能量上。帕塞瓦尔-普朗歇尔定理说，一个信号的总能量——|f(t)|^2 的积分——等于它频谱的总能量，即 |F(omega)|^2 的积分，至多相差一个常数。跨到频率那一侧，没有任何东西被创造或丢失；变换只是把同一份能量在各频率间重新分配。它是你在傅里叶级数里见过的帕塞瓦尔恒等式的连续后裔。它与那些性质对以及卷积定理一道，补全了你对变换的可用语法：平移、缩放、调制、卷积、并清点能量——全程无需回到那个定义性的积分。本阶梯接下来，这套语法将被放出去，对付物理学的微分方程。