功率谱密度描述了平稳随机过程中每单位频率的功率密度。根据Wiener-Khinchin 定理，广义平稳随机过程可以计算如下：$X(t)$

$$S_{xx}(f) = \int_{-\infty}^{\infty} r_{xx}(\tau) e^{-j2\pi f \tau} d\tau$$

其中是过程的自相关函数：$r_{xx}(\tau)$$X(t)$

$$r_{xx}(\tau) = \mathbb{E}\left(X(t)X(t - \tau)\right)$$

这仅对广义平稳过程有效，因为它的自相关函数只是时间滞后而不是绝对时间的函数；换句话说，这意味着它的二阶统计数据不会随时间而变化。$\tau$$t$

话虽如此，如果您有一个足够详细和准确的信号统计模型，那么您可以使用上述关系计算其功率谱密度。例如，这可用于计算通信信号的功率谱密度，给定信号承载的信息符号的统计数据以及传输期间采用的任何脉冲整形。

然而，在大多数实际情况下，这一级别的信息是不可用的，因此必须求助于估计给定信号的功率谱密度。一种非常直接的方法是将其傅里叶变换的平方幅度（或者，可能是几个短时傅里叶变换的平方幅度并将它们平均）作为 PSD 的估计值。但是，假设您正在观察的信号包含一些随机分量（通常是这种情况），这又只是一个估计值真正的潜在 PSD 是基于随机过程的单一实现（即单一观察）。您计算的功率谱是否与过程的实际 PSD 有任何有意义的相似之处取决于具体情况。

正如上一篇文章所指出的，PSD 估计有很多方法；哪个最合适取决于随机过程的特征、您可能拥有的任何先验信息以及您最感兴趣的信号的哪些特征。