<!-- title: 空分复用：同频同时传多路信号 -->

# 空分复用：同一时频资源如何并行多路信号

## 引言：当频率和时间都被"占满"之后

假设你站在一条四车道的高速公路旁，想再多塞一倍的车。最直观的办法是拓宽路面——但地皮是有限的，征地成本高昂。无线通信面临的困境几乎一模一样：**频率是有限的，时间切到极致也就那么细，发射功率还被法规卡死**。在时分复用（TDM）和频分复用（FDM）这两条"车道"几乎被榨干之后，工程师们把目光投向了一个长期被忽视的维度——**空间**。

空分复用（Spatial Division Multiplexing，SDM）的本质，就是让**多路完全独立的数据，共享同一块时频资源，只靠"空间方向不同"来彼此区分**。这听起来近乎魔法：同一个子载波、同一个 OFDM 符号、同一毫秒，基站却能同时给十几个用户各传一路不同的数据，彼此不串扰。这正是 5G 基站上那块密密麻麻的 64T64R、甚至 128T128R 天线阵列存在的根本理由。

理解空分复用，就理解了 Massive MIMO 的核心价值——不是"信号更强"，而是"**同一份频谱能同时干更多事**"。

## 一、空分复用到底是什么：和时分、频分并列的第三种"分"

复用（Multiplexing）这个词，拆开看就是"把多路东西，合理地塞进一条共享管道"。无线通信里我们一直在用三种思路切管道：

```mermaid
graph TB
    subgraph 频分复用["🔊 频分复用 FDM"]
        F1["用户A 用频率1"] --- F2["用户B 用频率2"] --- F3["用户C 用频率3"]
    end
    subgraph 时分复用["⏱ 时分复用 TDM"]
        T1["用户A 用时段1"] --- T2["用户B 用时段2"] --- T3["用户C 用时段3"]
    end
    subgraph 空分复用["📡 空分复用 SDM"]
        S1["用户A<br/>频率f+时间t"]
        S2["用户B<br/>频率f+时间t"]
        S3["用户C<br/>频率f+时间t"]
        S1 -.- 相同资源["同一时频资源块"]
        S2 -.- 相同资源
        S3 -.- 相同资源
    end
    style 空分复用 fill:#e8f5e9
    style 相同资源 fill:#fff9c4,stroke-dasharray: 5 5
```

关键看右边的空分复用方框：三个用户**用的是完全相同的频率、完全相同的时间**，传统意义上它们应该互相打架才对。空分复用之所以能做到不干扰，靠的是**多根天线在空间中打出不同的"方向图"，让每一路信号只奔向自己的目标用户，在其他用户方向上被压制**。

用一句通俗的话区分三者：

| 复用方式 | 区分依据 | 好比 |
|---------|---------|------|
| 频分 FDM | 不同频率 | 不同收音机频道 |
| 时分 TDM | 不同时隙 | 轮流排队发言 |
| **空分 SDM** | **不同空间方向** | **同一时刻同声传译，每人只听自己的翻译** |

空分复用的"同声传译"类比非常贴切：会议室里十二个人同时说话，每人戴着自己的耳机，耳机里只播放属于自己的那一路翻译——大家用的是同一个时间、同一个房间，靠"方向性接收"互不干扰。

## 二、空间自由度：决定你能并行几条路的"天花板"

空分复用不是想开几条路就能开几条。有一个硬性的物理上限，叫**空间自由度（Spatial Degrees of Freedom，DoF）**。

### 一个"管道"的直觉

把每对收发天线之间看作一条潜在的"空间管道"。但管道不是越多越好——真正能独立并行传输的数据流数量，受限于收发两端天线数的较小值：

$$\text{DoF} = \min(N_t,\, N_r)$$

其中 $N_t$ 是发射天线数，$N_r$ 是接收天线数。这个公式背后的图像是：通信系统的并行能力，永远被**天线少的那一侧**卡住。就像一根水管无论接多粗的泵，出水流量最终受最细那段管道限制。

### 为什么是"较小值"：用矩阵的秩来理解

MIMO 系统的数学骨架是一个**信道矩阵 $\mathbf{H}$**。假设发射端 $N_t$ 根天线，接收端 $N_r$ 根天线，那么 $\mathbf{H}$ 是一个 $N_r \times N_t$ 的矩阵，第 $i$ 行第 $j$ 列的元素 $h_{ij}$ 代表"第 $j$ 根发射天线到第 $i$ 根接收天线"这条链路的复数增益（包含幅度衰减和相位偏转）：

$$\mathbf{y} = \mathbf{H}\mathbf{x} + \mathbf{n}$$

**矩阵 $\mathbf{H}$ 的秩（rank），就是这套系统真正能支撑的独立并行数据流数量**。秩永远不可能超过行数和列数的较小者，即 $\min(N_t, N_r)$。当多径环境足够丰富、天线间距足够大时，$\mathbf{H}$ 是"满秩"的，并行层数才能顶到 $\min(N_t, N_r)$。

下表把几个典型配置的并行能力列出来，这是工程师做基站选型和终端能力评估时脑子里该有的"清单"：

| 典型配置 | 发射天线 $N_t$ | 接收天线 $N_r$ | 理论最大并行层（满秩时） |
|---------|:---:|:---:|:---:|
| 早期手机 ↔ 普通基站 | 2 | 2 | 2 层 |
| 4G 手机 ↔ 4T4R 基站 | 4 | 4 | 4 层 |
| 5G 手机 ↔ 64T64R 基站 | 4 | 64 | **4 层**（被手机侧卡住） |
| 多用户场景：1 个 64T 基站 ↔ 16 个 1 天线用户 | 64 | 各 1 | 基站侧理论可同时服务约 16 个用户 |

最后两行揭示了两个关键现实：第一，**单用户场景下，再多的基站天线也救不了手机侧的天线数少**——4 天线手机最多享受 4 层并行；第二，真正让海量基站天线"物尽其用"的，是**把富余的自由度分给多个用户**，也就是下一节要讲的多用户 MIMO。

## 三、SU-MIMO 与 MU-MIMO：同样的自由度，两种用法

同样拥有 64 根基站天线，你可以有两种截然不同的花法。

**SU-MIMO（单用户 MIMO）**：把所有并行层都堆给同一个用户。比如基站用 4 层并行向一个 4 天线手机同时发 4 路数据，把这一个用户的峰值速率翻 4 倍。

**MU-MIMO（多用户 MIMO）**：把并行层拆开，分给多个用户。比如基站同时向 16 个不同的手机各发 1 路，16 个用户**共享同一份时频资源**，系统的总容量（频谱效率）提升 16 倍。

```mermaid
graph LR
    subgraph SU["SU-MIMO：堆给一个人"]
        BS1["64T 基站"] ==>|4 层并行<br/>速率×4| UE1["用户A（4天线手机）"]
    end
    subgraph MU["MU-MIMO：分给一群人"]
        BS2["64T 基站"] -.->|用户A 1层| U1["用户A"]
        BS2 -.->|用户B 1层| U2["用户B"]
        BS2 -.->|用户C 1层| U3["用户C"]
        BS2 -.->|......同频同时| UN["用户...N"]
    end
    style SU fill:#e3f2fd
    style MU fill:#fff3e0
```

两者的价值取向完全不同：

| 维度 | SU-MIMO | MU-MIMO |
|------|---------|---------|
| 优化目标 | **单用户峰值速率** | **系统总容量 / 频谱效率** |
| 自由度分配 | 全部给一个用户 | 拆分给多个用户 |
| 对基站天线要求 | 中等即可 | **越多越好**（海量天线优势尽显） |
| 对用户天线要求 | 用户天线要多 | 单天线用户也能受益 |
| 典型场景 | 高速下载、单点测速 | 密集城区、体育馆、商场 |
| 干扰来源 | 自己的多层间（可控） | **多用户间空间干扰**（需精确预编码） |

注意 MU-MIMO 那一栏的"干扰来源"——这正是空分复用最难的地方。当 16 个用户同频同时被服务，基站发给用户 A 的信号，理论上不该被用户 B、C、…收到。**如何让每一路信号精准命中目标用户、同时在其他用户方向上"隐形"，就是预编码（Precoding）要解决的核心问题**。可以说，空分复用是"目标"，预编码是"手段"，两者是表里关系。

> 小贴士：很多刚入行的同学会混淆"层（Layer）"和"流（Stream）"以及"秩（Rank）"。一句话记牢：**信道的秩决定了最多能传几层；调度器实际分配的层叫 rank；每一层上跑的比特就是一路独立数据流。** 手机能力上报里看到的 "maxLayers = 4"，指的就是这个手机最多吃下 4 层。

## 四、海量天线为什么"神奇"：两个核心效应

讲到这里，一个自然的疑问是：**既然单用户场景手机侧只有 4 天线、最多 4 层，那基站搞 64 根甚至 128 根天线，到底图什么？** 答案藏在多用户空分复用里，藏在两个随天线数增大而自动涌现的数学效应里。

### 效应一：有利传播（Favorable Propagation）

在多用户 MIMO 里，要实现"同频同时不串扰"，理想情况是**任意两个用户的信道向量彼此正交（内积为零）**。可现实中的信道是随机的，两个用户的信道方向不一定正交，这就是多用户干扰的根源。

但海量的基站天线会触发一个统计奇迹。记用户 $i$ 和用户 $j$ 的信道向量为 $\mathbf{h}_i$、$\mathbf{h}_j$（每个都是长度为 $M$ 的列向量，$M$ 是基站天线数）。当 $M$ 趋向于无穷大时，它们归一化的内积会**趋近于零**：

$$\frac{\mathbf{h}_i^H \mathbf{h}_j}{M} \xrightarrow{M \to \infty} 0, \quad i \neq j$$

这就是**有利传播**——天线足够多时，任意两个随机用户的信道方向会自动"正交化"，**大数定律帮你把用户之间的空间区分变得无比干净**。

用一个生活类比：想象操场上随机站两个人，让你蒙眼从很远的地方找一根指针同时指准他们俩（指针既对准 A 又对准 B 的方向几乎不存在）。人少时巧合多，干扰大；可当**观察基站这边的天线数**变得极多（好比你在操场四周架了几百个摄像头），每个用户在"天线视角"下的特征向量会越来越独一无二、彼此正交——区分他们就变得轻而易举。

正是有利传播，让基站即使用最简单的线性预编码（比如匹配滤波 / 迫零），也能逼近理论最优的性能。**海量天线的第一个红利，是让复杂的干扰管理变得"简单可线性处理"。**

### 效应二：信道硬化（Channel Hardening）

第二个效应更反直觉：天线一多，**原本剧烈起伏、充满随机性的无线信道，居然变得"稳定"和"确定性"了**。

衡量信道强度的是 $\|\mathbf{h}\|^2$（信道向量各元素幅度平方之和）。当 $M$ 很大时，把它除以 $M$ 会收敛到一个常数 $\beta$（大尺度路径损耗）：

$$\frac{\|\mathbf{h}\|^2}{M} \xrightarrow{M \to \infty} \beta$$

意思是：**有效信道增益不再随小尺度衰落剧烈波动，而是"硬化"成一个稳定的值**。

这带来一个工程上的巨大红利——**可靠性不再依赖瞬时的衰落好运**。传统通信里，你掉进一个深衰落坑，信号可能瞬间跌 20dB；而在 Massive MIMO 下，多根天线的信道在求和时，深衰落被概率平均掉了，等效信道几乎恒定。就好比**一个人走钢丝心惊肉跳，换成几十根钢丝一起承重，整体平台就稳如平地**。

> 这两个效应共同解释了上一节的核心命题：海量基站天线的价值，**不在于让单个信号变强，而在于同时服务更多用户、且让这种服务简单、稳定、抗干扰**。空间自由度的"富余"全部转化成了多用户复用增益 + 阵列增益 + 分集增益。

## 五、从测量到并行：空分复用的完整工作流

把前面所有概念串起来，空分复用在现网中是这样一条流水线运转的：

```mermaid
flowchart TD
    A["1. 信道测量<br/>手机基于下行参考信号<br/>测量到基站的信道 H"] --> B["2. CSI 上报<br/>手机把信道状态/PMI/CQI<br/>反馈给基站"]
    B --> C["3. 用户配对调度<br/>调度器选出空间正交的<br/>若干用户复用同一时频块"]
    C --> D["4. 计算预编码矩阵 W<br/>基于 H 设计每用户<br/>的发射加权向量"]
    D --> E["5. 空间并行发射<br/>各用户信号经 W 加权<br/>叠加后由多天线发出"]
    E --> F["6. 各自接收解调<br/>每用户主要收到自己的流<br/>空间干扰被预编码抑制"]
    F --> A
    style A fill:#e8eaf6
    style C fill:#fff9c4
    style D fill:#fce4ec
```

这条流水线里，有几个环节特别值得工程师关注：

**第 3 步的用户配对（User Pairing）是 MU-MIMO 性能的命门**。调度器不能随便抓两个用户就塞进同一时频块——必须挑**信道方向尽量正交**的用户对（呼应"有利传播"：天线多了好配对，但配对算法本身仍要精明）。把两个方向几乎重合的用户配在一起，等于自找干扰。现网中调度器通常用"信道向量夹角"或"正交性度量"来打分，挑出最"互补"的一组。

**第 4 步的预编码矩阵 W**，就是把"发给各用户的多路信号"线性组合、加权后送进各根天线。预编码的精度直接决定了第 6 步的干扰抑制效果。这里有个鸡生蛋问题：**预编码依赖精确的 CSI，而 CSI 会随用户移动而老化**。用户跑得越快、反馈越滞后，预编码就越"瞄不准"，空分复用的增益就越快流失——这也是为什么 MU-MIMO 在高速移动场景下效果打折的根本原因。

**TDD 系统在这里占便宜**：因为上下行用同一频率，基站可以直接利用上行探测信号估计出的信道，**根据信道互易性推断下行信道**，几乎免去反馈时延。这比 FDD 靠手机反馈码本要新鲜得多。所以你会看到，5G 中 TDD 频段（如 2.6GHz、3.5GHz、4.9GHz）往往是 Massive MIMO 和 MU-MIMO 大显身手的主战场。

## 六、实战连接：工程师在哪里会用到这些知识

理论讲了这么多，落到现网优化和排障上，空分复用的知识具体体现在哪里？

**1. 看"秩"（Rank）和"层数"判断空分状态。** 在路测工具或基站 counters 里，下行经常有一个指标叫 **Rank（或 Number of Layers）**。如果在一个信号良好的固定点，Rank 长期趴在 1 上不去，多半是空间环境太"干净"（比如视距 LOS、多径太少导致信道矩阵不满秩），或者天线间距/极化配置有问题。Rank 飙到 3、4，说明空分复用正在发挥作用。

**2. 调试陷阱：把"信号好"等同于"速率高"。** 一个常见误解是 RSRP/SINR 很高，速率就应该很高。但在 MU-MIMO 下，哪怕你信号再好，如果调度器把你和一个空间方向相近的用户配对，**你俩互相干扰，有效 SINR 反而下降**。排查"信号好却速率不达预期"的疑难杂症时，别忘了看 MU 配对情况和 PMI/CQI 上报，而不仅盯着 RSRP。

**3. 理解手机能力上报里的"maxLayers"。** 手机在入网时会把自己的能力告诉基站，其中一项就是支持的最大空间层数（常见 2 或 4）。这直接限制了该手机在 SU-MIMO 下能享受的峰值。换一句大白话：**想冲高下载速率，先看你的手机天线够不够多，光有 64T 基站没用。**

**4. 频段选择背后是空分策略。** 为什么运营商在密集城区优先用 TDD 大带宽 Massive MIMO？因为 TDD+Massive MIMO 能把 MU-MIMO 空分复用 + 大带宽叠加，单位面积容量最大化。理解了空分复用，你就理解了不同频段组网策略的底层逻辑，而不是死记"FDD 打覆盖、TDD 打容量"这种口诀。

## 常见问题

**Q1：空分复用和波束赋形是不是一回事？**

A: 不是一回事，但关系紧密，常被混为一谈。**波束赋形**是把信号能量**集中打到某个方向**，目标是"看得远、信号强"，本质是提升单个链路的 SINR（阵列增益）；**空分复用**是利用多个独立的空间自由度**同时传多路数据**，目标是"传得多、容量大"。打个比方：波束赋形像手电筒把光聚成一束照亮远处一个人，空分复用像舞台灯同时打出多束光、每束照一个演员。海量天线阵列通常**同时实现两者**——既赋形又复用，所以才容易混淆。

**Q2：既然基站有 64 根天线，为什么一个手机最多只能用 4 层？**

A: 因为空间自由度受限于收发天线数的较小值 $\min(N_t, N_r)$。手机通常只有 2~4 根天线（受体积和功耗限制），所以即使基站天线再多，单个用户独占时也最多 4 层。基站多出的 60 根天线，价值体现在**把它们分给十几个不同的用户**（MU-MIMO），把整份频谱的容量放大十几倍，而不是堆给单个人。

**Q3：信道硬化是不是意味着 Massive MIMO 下就不用对抗衰落了？**

A: 是，也不是。信道硬化让**小尺度快衰落被多天线平均掉**，有效信道变得稳定，这确实大大减轻了对抗深衰落的负担。但这不等于"没有衰落"——**大尺度阴影衰落和路径损耗依然存在**，而且信道硬化是 $M\to\infty$ 的渐近效应，实际 64/128 根天线只是"近似硬化"。所以调制编码方式（MCS）选择、HARQ 重传这些抗衰落机制依然需要，只是触发深衰落的概率显著降低了。

**Q4：空分复用在高速移动（比如高铁）场景为什么效果变差？**

A: 根本原因是**信道状态信息（CSI）老化**。空分复用高度依赖精确的预编码，而预编码又依赖实时 CSI。高速移动下，信道变化极快，手机测出信道、反馈给基站、基站算好预编码再下发时，**用户早已移动到另一个位置，原来的信道估计已经过期**。预编码"瞄不准"，多用户干扰抑制失效，空分增益迅速缩水。这正是为什么高铁等高速场景往往**回退到更稳健的单流传输或更低 rank**，牺牲复用换可靠性。

**Q5：MU-MIMO 配对用户越多越好吗？**

A: 不是。配对用户数受限于基站天线提供的空间自由度，超过自由度强行配对，用户间无法正交，干扰反而主导、总吞吐下降。实际调度器会在"复用增益"和"多用户干扰"之间折中——通常有一个最优配对数，超过它边际收益为负。所以"海量天线 → 能服务更多用户"是有上限的渐进过程，而非线性无脑累加。

## 参考来源

1. [On Massive MIMO, Channel Hardening and Favorable Propagation — Wireless Pi](https://wirelesspi.com/on-massive-mimo-channel-hardening-and-favorable-propagation/) — 系统讲解 Massive MIMO 中信道硬化与有利传播两大核心效应，含数学推导与直觉解释。
2. [6G科普｜分布式超大规模天线（massive MIMO）系统的架构和原理 — 知乎](https://zhuanlan.zhihu.com/p/694127700) — 通俗讲解集中式/分布式 Massive MIMO 的有利传播特性与空间复用增益。
3. [信道硬化（Channel Hardening）— 知乎](https://zhuanlan.zhihu.com/p/174795238) — 从信道矩阵 H 随天线数增大趋于确定性的角度，解释信道硬化的物理含义。
4. [MIMO 技术原理 — 华为 JDC](https://jdc.huawei.com/jdc/refactor/viewthread?tid=1165920) — 厂商视角系统解析 MIMO 空间自由度、空分复用与波束赋形在 5G 中的工程实现。
5. [A Theoretical Analysis of Favorable Propagation on Massive MIMO — MDPI Electronics](https://www.mdpi.com/2079-9292/11/14/2150) — 学术论文，严谨分析有利传播假设对多用户 MIMO 性能增益的理论基础。

---

> 本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵**爱卫生**（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。
> 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。

> [!tip] 51学通信知识星球
> **星主：爱卫生**（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。
> **星球定位**：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。
> **当前规模**：5200 篇主题 / 990 个回答，198 元/年。
> **加入福利**：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。
> **AI 加持**：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。

![51学通信知识星球海报-扫码加入](https://wiki.500nian.com/images/zhixingqiu_qrcode.png)