您可以尝试对输入信号进行低通滤波以获得更平滑的过零（如果您对正弦波的频率位置有很好的了解，甚至可以使用带通滤波）。风险在于，如果样本准确的相位信息对您的应用程序至关重要，则来自过滤器的额外延迟可能是一个问题。

另一种方法：与其尝试将正弦波转换为方波，不如让一个独立的方波振荡器在相位/频率上与正弦波对齐呢？这可以通过锁相环来完成。

你所展示的肯定是一个过零检测器。想到几件事可能会改善您的情况：

• 如果您有超出信号频带的噪声（几乎可以肯定是这种情况，因为您的输入是纯音），那么您可以通过在感兴趣的信号周围应用带通滤波器来提高信噪比. 滤波器的通带宽度应根据您先验地知道正弦频率的精确程度来选择。通过减少正弦曲线上存在的噪声量，将减少错误过零的数量及其对正确交叉时间的抖动。

  • 附带说明一下，如果您没有提前获得好的信息，您可以使用一种称为自适应线路增强器的更复杂的技术，顾名思义，它是一种自适应滤波器，可以增强周期性输入信号。但是，这是一个有点高级的话题，您通常对信号的频率有足够的了解，因此不需要这种方法。

• 对于过零检测器本身，您可能会在过程中添加一些滞后。这将防止在正确的交叉瞬间周围产生额外的虚假测量交叉。向检测器添加滞后可能如下所示：

  if ((state == POSITIVE) && (sample[i - 1] > -T) && (sample[i] < -T))
  {
      // handle negative zero-crossing
      state = NEGATIVE;
  }
  else if ((state == NEGATIVE) && (sample[i - 1] < T) && (sample[i] > T))
  {
      // handle positive zero-crossing
      state = POSITIVE;
  }
  

  实际上，您向过零检测器添加了一些状态。如果您认为输入信号具有正值，则要求信号下降到所选阈值以下-T，以声明真正的过零。同样，您要求信号回升到阈值以上，T以声明信号再次振荡回正。

  您可以选择任何您想要的阈值，但对于像正弦曲线这样的平衡信号，让它们关于零对称是有意义的。这种方法可以帮助您获得更清晰的输出，但由于您实际上测量的是非零阈值交叉而不是零交叉，因此会增加一些时间延迟。

正如 pichenettes 在他的回答中所建议的那样，锁相环很可能是最好的方法，因为 PLL 几乎完全符合您的要求。简而言之，您运行一个与输入正弦波并行运行的方波发生器。PLL 对正弦波进行周期性相位测量，然后过滤测量流以控制方波发生器的瞬时频率。在某些时候，环路将（希望）锁定，此时方波应该与输入的正弦曲线在频率和相位上锁定（当然会有一定的误差；工程中没有什么是完美的）。

我有一个非常简单的方法来查找信号中的符号变化的良好经验：

1. a=diff(sign(signal)) !=0 # 检测符号变化
2. Candidates=times[a] # 这些都是候选点，包括错误的交叉点
3. 在候选点中找到点簇

4. 每个集群的平均值/中值，这是你的符号变化

5. 在 4 预测的点处与阶跃函数相关

6. 将曲线拟合到相关结果并找到峰值

在我的情况下，5 和 6 不会增加方法的精度。你可以用噪声来抖动你的信号，看看它是否有帮助。

我知道这个问题很老了，但我最近不得不实施过零。我实施了 Dan 建议的方式，并且对结果非常满意。这是我的python代码，如果有人感兴趣的话。我不是一个优雅的程序员，请多多包涵。

import numpy as np
import matplotlib.pyplot as plt
from itertools import cycle

fig = plt.figure()
ax = fig.add_subplot(111)

sample_time = 0.01
sample_freq = 1/sample_time

# a-priori knowledge of frequency, in this case 1Hz, make target_voltage variable to use as trigger?
target_freq = 1
target_voltage = 0

time = np.arange(0.0, 5.0, 0.01)
data = np.cos(2*np.pi*time)
noise = np.random.normal(0,0.2, len(data))
data = data + noise


line, = ax.plot(time, data, lw=2)

candidates = [] #indizes of candidates (values better?)
for i in range(0, len(data)-1):
    if data[i] < target_voltage and data[i+1] > target_voltage:
        #positive crossing
        candidates.append(time[i])
    elif data[i] > target_voltage and data[i+1] < target_voltage:
        #negative crossing
        candidates.append(time[i])

ax.plot(candidates, np.ones(len(candidates)) * target_voltage, 'rx')
print('candidates: ' + str(candidates))

#group candidates by threshhold
groups = [[]]
time_thresh = target_freq / 8;
group_idx = 0;

for i in range(0, len(candidates)-1):
    if(candidates[i+1] - candidates[i] < time_thresh):
        groups[group_idx].append(candidates[i])
        if i == (len(candidates) - 2):
            # special case for last candidate
            # in this case last candidate belongs to the present group
            groups[group_idx].append(candidates[i+1])
    else:
        groups[group_idx].append(candidates[i])
        groups.append([])
        group_idx = group_idx + 1
        if i == (len(candidates) - 2):
            # special case for last candidate
            # in this case last candidate belongs to the next group
            groups[group_idx].append(candidates[i+1])



cycol = cycle('bgcmk')
for i in range(0, len(groups)):
    for j in range(0, len(groups[i])):
        print('group' + str(i) + ' candidate nr ' + str(j) + ' value: ' + str(groups[i][j]))
    ax.plot(groups[i], np.ones(len(groups[i])) * target_voltage, color=next(cycol), marker='o',  markersize=4)


#determine zero_crosses from groups
zero_crosses = []

for i in range(0, len(groups)):
    group_median = groups[i][0] + ((groups[i][-1] - groups [i][0])/2)
    print('group median: ' + str(group_median))
    #find index that best matches time-vector
    idx = np.argmin(np.abs(time - group_median))
    print('index of timestamp: ' + str(idx))
    zero_crosses.append(time[idx])


#plot zero crosses
ax.plot(zero_crosses, np.ones(len(zero_crosses)) * target_voltage, 'bx', markersize=10) 
plt.show()

请注意：我的代码没有检测到迹象，并使用目标频率的一些先验知识来确定时间阈值。该阈值用于对多个交叉点（图片中的不同颜色点）进行分组，从中选择最接近组中位数的一个（图片中的蓝色交叉点）。