DFT 的长度 N 是将导致 DFT 输出的频点数。零填充将导致更多的频率样本，但这不会增加频率分辨率，它只是在 DTFT 中插入样本。频率分辨率由下式给出$1/T$其中 T 是数据的时间长度（与采样率无关）。因此，如果您想提高实际频率分辨率，则需要在给定的采样率下增加样本数，或者降低采样率，这会增加您拥有的样本数的时间长度。

有关 DTFT 和 DFT 之间区别的进一步说明，请参阅我的帖子回复：

对于二维信号，可以说频率响应与傅里叶变换相同吗？

这是显示频率分辨率和零填充的演示。图片顶部频率轴上的两个红色方块表示两个测试音的“真实”频率位置，即 f1 = 0.26 和 f2 = 0.28。鉴于归一化频率（周期/样本）的分离为 0.02，我们需要大于 1/0.02 = 50 个样本来解析这两个频率。上图显示了只有 10 个数据样本并且对 10（无填充）、20、50 和 100 的最终数据集的时域数据进行零填充的结果。我们在该图中清楚地看到，随着我们添加更多样本，我们插入了更多的频率点，但它没有提供有关我们两个音调的各个频率内容的任何进一步信息。

下面是另一个图，我们不只是添加零，而是增加数据集中存在相同两个频率音调的样本数量，并再次采用 10、20、50 和 100 个样本进行 DFT。在 50 个样本时，我们有足够的频率分辨率来进行频率分离（但在图上仍然很难看到），而在 100 个样本时，分离清晰可见。

为什么是这样？用零填充与将较长的序列与矩形窗口相乘相同。将时域序列相乘与频域中的卷积（DFT 的循环卷积）相同。我们在上面的示例中有效使用的时域矩形窗口，以及窗口本身的结果 DFT 如下图所示。窗口的 DFT 将与我们的原始频率进行卷积。随着窗口时间长度的增加，其频率变换的主瓣宽度变得更窄（零点位于 1/T），因此频率分辨率增加。