直接的噪声抑制发生在信号刚被采集的时刻。硬件滤波利用电阻、电容、电感等元件组成电路，对特定频率的信号进行“筛选”。例如，在温度传感器输出端加一个简单的RC低通滤波器，就能让缓慢变化的温度信号通过，而将高频的电磁干扰旁路到地。更专业的做法是使用运算放大器构成有源滤波器，比如巴特沃斯或切比雪夫滤波器，它们能提供更陡峭的截止特性。在工业现场，仪表放大器常被用来抑制共模噪声——比如50Hz的工频干扰，因为它只放大两个输入端之间的差值信号，而将同时出现在两根线上的噪声抵消掉。硬件滤波的优点是实时、不引入计算延迟，但缺点是电路一旦固定，参数就难以灵活调整。
当信号被模数转换器变成数字序列后，软件算法就有了用武之地。基础的移动平均滤波，就是取近N个采样点的平均值，能有效平滑随机噪声，但会牺牲一点响应速度。更精细的方法包括中值滤波（适合去除脉冲噪声）、卡尔曼滤波（利用系统模型和测量值的优估计，广泛用于无人机和导航系统）以及小波变换（能把信号分解到不同尺度，精准剔除特定频段的噪声）。近年来，基于深度学习的降噪方法也开始兴起，比如用卷积神经网络学习干净信号与含噪信号之间的映射关系，在语音增强和生物电信号处理中表现出色。软件算法的优势是灵活可调，甚至能自适应环境变化，但需要一定的计算资源和算法设计经验。
实际工程中，单纯依赖硬件或软件往往不够。一个经典案例是心电监护仪：前端用右腿驱动电路和屏蔽电缆抑制共模干扰，后端再用数字滤波器去除基线漂移和肌电噪声。又比如在振动监测中，先用硬件积分电路把加速度信号转为速度信号，再用软件做频谱分析并剔除工频谐波。这种“先硬件粗滤、再软件精修”的思路，既保证了实时性，又提升了信噪比。值得注意的是，过度滤波也可能扭曲有效信号，因此需要根据信号带宽和噪声特性来权衡。
噪声抑制是一门平衡的艺术。硬件滤波擅长处理高频和共模干扰，软件算法则能应对低频漂移和复杂噪声模式。理解噪声的来源——是热噪声、闪烁噪声还是干扰耦合——是选择策略的步。对于初学者，不妨从简单的RC滤波和移动平均入手，再逐步探索卡尔曼滤波或小波分析。记住，的降噪方案往往不是复杂的，而是贴合具体应用场景的那一个。
