自相关（Autocorrelation），也叫序列相关，是一个信号与其自身在不同时间点的互相关。非正式地来说，自相关是对同一信号在不同时间的两次观察，通过对比来评判两者的相似程度。自相关函数就是信号x(t)和它的时移信号x(t-τ)的乘积平均值。它是时移变量τ的函数。
这是从书上抄来的话，到底是什么意思呢？
说人话！好吧，让我来编一个有关潜伏的故事：
话说余则成要到火车站去交换情报，他需要在火车靠站的短短几分钟内找到这位情报员并完成交换工作，在熙熙攘攘的火车站里，除非事先知道情报员所在的车厢，否则根本来不及。任务的前一天，他收到了含有情报员所在车厢的密电，密电如下：
这是什么鬼？
这是一段随机信号，但在其中隐藏了一个正弦，你能看得出来吗？
余则成同志的智商是比较高的，也是上过大学的，他的眼睛在杂乱无章的随机曲线上来回快速扫描，运用自己所有的知识，希望能找出那个正弦来。半个小时后……终于，
他什么也没发现。
余则成想了一个笨办法，他让翠平把曲线照猫画虎地描出一小段来，然后拿着翠平的画样在整个曲线上一点一点地进行对比。
怎么对比呢？无非是“加、减、乘、除”之类。但因为“加、减”属于同量级的变化，用肉眼就能大概地完成，而“除”则具有缩小功能。所以，为放大曲线中的差异，显然“乘法”大概是比较好的选择。
然后怎么办呢？总不能用“有点像”、“很像”、“很不像”这样的词来评价吧。他将整个比较过程分为四个步骤：
第一步：将“画样”与原信号中的开始端对齐，逐点一一对应地相乘，得到一小段新曲线；
第二步：将新曲线上各个点的值进行算术平均，得到一个均值；
第三步：将得到的均值描绘在最终曲线图中；
第四步：将“画样”向后挪动一点（“步距”），重复上述过程，直至“画样”移动到曲线末端。
这个工作很繁琐，但好在不太难，余则成教会翠平后就忙着应付陆桥山去了，等晚上回到家，看到的结果虽然不是太满意，但最终的曲线中还是表现出了很强的规律性，他拿尺子量了所有“锯齿”的间距，取了个平均值，得到了Δt≈0.2s，取倒数便是5Hz。第二天，余则成顺利地在5号车厢与情报员完成了交接。
好吧，我承认，这个故事编的不太认真，不过戏剧性本来也不是我们这里讨论的重点哈。
我们只是想通过这个小栗子来说明，“自相关”这种数据处理方法，可以发现隐藏在杂乱信号中的有用信息。这个能力是相当重要的，因为工程实际中的信号，不可避免地要受到各种干扰，严重的时候会完全淹没真正有用的数据。自相关能找出重复信息（被噪声掩盖的周期信号），或识别隐含在信号谐波频率中消失的基频，它常用于时域信号的分析。
用数学的语言表述，则是：自相关函数是信号在时域中特性的平均度量，它用来描述信号在一个时刻的取值与另一时刻取值的依赖关系。
另外，上面的这个例子也仅是故事性的，并不满足数学的严格性。实际上，数学上是这样定义的：
这个公式中，τ是进行“比较”时移动的“步距”。而整个公式的意思是“将x(t)进行时移，得到x(t+τ)，然后将其与x(t)在整个范围内逐点进行相乘，得到一条新曲线，这条曲线下方所围成的面积就是一个R值。改变τ的取值，再来一次，……，如此不断重复，R的一系列值将成为R(τ)曲线，这就是自相关曲线”。
自相关函数就是信号x(t)和它的时移信号x(t+τ)乘积的平均值，它是时移变量τ的函数。
如果能明确地看出原始数据有周期性，那么就不必在整个数轴范围（-∞~+∞）内进行移动比较了，只需要移动一个周期（T）即可：
明白了自相关，互相关也就好懂了。其实，大多数教材都是先讲互相关的。因为，所谓相关性，从字面的意思就是指两组数据，把它们相互比较，看看有没有关联。自相关是自己和自己比，互相关呢，自然就是两个不同信号之间相互比：
基本定义介绍完了，我们来看看，自相关函数有什么特点。
假设有一个余弦信号： 
它的自相关函数是什么呢？根据定义，有：
可以看到，自相关函数仍为余弦，且频率不变。如果信号是由两个频率与初相角不同的频率分量组成，同样可以证明，余弦信号的自相关函数还是是一个余弦函数。它保留了原信号的频率成分，其频率不变，幅值等于原幅值平方的一半，即等于该频率分量的平均功率，但丢失了相角的信息。
自相关函数具有如下主要性质：
(1). 自相关函数为偶函数，
，其图形对称于纵轴。因此，不论时移方向是导前还是滞后（τ为正或负），函数值不变；
(2). 当τ＝0时，自相关函数具有最大值，且等于信号的均方值；
(3). 周期信号的自相关函数仍为同频率的周期信号；
(4). 若随机信号不含周期成分，当τ趋于无穷大时，自相关函数趋于信号平均值的平方。
典型应用：
(1). 检测信号回声（反射）。若在宽带信号中存在着带时间延迟τ0的回声，那么该信号的自相关函数将在τ=τ0处也达到峰值（另一峰值在τ=0处），这样可根据τ0确定反射体的位置。
(2). 检测淹没在随机噪声中的周期信号。由于周期信号的自相关函数仍是周期性的，而随机噪声信号随着延迟增加，它的自相关函数将减到零。因此在一定延迟时间后，被干扰信号的自相关函数中就只保留了周期信号的信息，而排除了随机信号的干扰。
另外，相关函数的计算与卷积的计算有点关系。
从定义式中可以看到，互相关函数和卷积运算类似，也是两个序列滑动相乘，但是区别在于：互相关的两个序列都不翻转，直接滑动相乘，求和；卷积的其中一个序列需要先翻转，然后滑动相乘，求和。所以，x(t)和y(t)做相关等于x(t)与y(-t)做卷积。
