由于您使用的是固定采样率，因此您的 FFT 长度（这将要求您的窗口具有相同的宽度）将增加您的频率分辨率。拥有更精细的频率分辨率的好处是双重的：显而易见的是，您可以获得更精细的频率分辨率，这样您就可以区分频率非常接近的两个信号。第二个是，频率分辨率越高，FFT 本底噪声就越低。系统中的噪声具有固定功率，与 FFT 的点数无关，并且该功率均匀分布（如果我们说的是白噪声）到所有频率分量。因此，拥有更多频率分量意味着您的频率区间的单个噪声贡献将降低，而总集成噪声保持不变，从而降低本底噪声。这将使您能够区分更高的动态范围。

但是，使用较长的 FFT 也有缺点。第一个是您需要更多的处理能力。FFT 是一种 O(NlogN) 算法，其中 N 是点数。虽然它可能不像幼稚的 DFT 那样引人注目，但 N 的增加将开始使您的处理器流血，尤其是当您在嵌入式系统的范围内工作时。其次，当你增加 N 时，你会获得频率分辨率，而你会失去时间分辨率。N 越大，您需要采集更多样本才能得出频域结果，这意味着您需要采集更长的样本时间。您将能够检测到更高的动态范围和更精细的频率分辨率，但如果您正在寻找杂散，您将不太清楚该杂散何时发生。

您应该使用的窗口类型完全是另一个主题，我不知道要给您一个更好的答案。然而，不同的窗口具有不同的输出特性，其中大多数（如果不是全部）是可逆的后处理 FFT 结果。某些窗口可能会使您的频率分量泄漏到侧箱（如果我没记错的话，汉宁窗口会使您的组件出现在三个箱上。），其他窗口可能会为您提供更好的频率精度，同时为您的组件引入一些增益误差。这完全取决于您要达到的结果的性质，因此我会进行一些研究（或一些模拟）以得出最适合您的特定应用的结果。

所以首先，采样频率必须至少是信号最大频率的两倍（44.1kHz > 2x10kHz）。接下来，如果时域中的窗口长度为 T，则 FFT 的频率分辨率恰好为 1/T。使用 FFT 的频域分辨率与时域中的采样频率无关。但是正如前面的回答中指出的那样，时域窗口不能太大，因为那样你会丢失关于仅暂时弹出的虚假信号的信息。因此必须在频率分辨率和检测杂散信号之间进行折衷。最后，FFT 并不是将信号从时域转换到频域的唯一算法。如果您正在寻找时域中样本数量有限的频域高分辨率，您可以使用高分辨率频谱估计技术，例如 MUSIC 和 ESPIRIT。这些也用于到达方向（DOA）估计，这与频谱估计问题非常相似。