1. DFT 中的分辨率由下式给出：$\frac{{F}_{s}}{N}$.
   因此，您需要 10e6 / 100 = 100,000 个样本才能获得所需的分辨率。
2. 您可以将信号带到基带（解调），然后您需要较低的采样频率才能达到您想要的效果。
   由于信号的有效带宽为（双面）50 [KHz]，因此可以在${F}_{S} = 50 [KHz]$要求的分辨率只需要 500 个样本。

频率分辨率$f_\Delta$是

$$f_\Delta = \frac{f_\mathrm{s}}{N},$$ 在哪里$f_\mathrm{s}$是采样频率和$N$是 FFT 大小。所以 $$N = \frac{f_\mathrm{s}}{f_\Delta} = \frac{10^7}{100} = 10^5.$$ 这意味着你的计算是正确的。假设您不对 FFT 输入向量进行零填充，$N$是您应该采集然后输入 FFT 的样本数。

如果你使用$M$样品，与$M<N$你可以附加$N-M$FFT 输入归零，这将导致“缺失”频率区间的插值。

鉴于可以对 FFT 的结果进行插值（使用 Sinc 插值可能非常准确），估计频率所需的 FFT 点数取决于包含您的信号的数据的信噪比，以及分辨率的类型您需要（峰值分离或峰值估计）。

在零噪声或其他干扰的极端情况下，只需要 3 或 4 个非混叠点即可准确重构纯正弦曲线并由此估计其频率。

在另一个极端情况下，在相邻干扰水平相同的情况下，可能需要超过 2 个 FFT bin 结果从噪声中分离出来，在您的情况下可能需要超过 200000 个样本，才能分辨出与相邻噪声明显分开至少 100 Hz 的明显峰并且至少比当地的本底噪声高 3dB。

很少有噪声水平恰好使得一个具有大约 Fs/N 的噪声添加分辨率误差。在通常典型的较低噪声水平下，您可以将 FFT 结果 bin 之间的估计频率峰值内插到 bin 间距的某个分数，从而使用比 N = Fs/dF 更短的某个分数的 FFT。