老实说，大多数人最终会做他们直接学习之外的其他事情。

职业跟随你得到的工作。

在您的部门核心优势方面获得良好的背景。你真的无法准确预测你最终会发展出什么样的技能。软技能实际上很重要。

我本人最近从应用数学毕业并开始攻读信号处理博士学位。我特别做无线网络的随机几何建模，这是一个相当数学的主题。涉及测度论、概率论、傅里叶分析等。

信号处理领域确实非常广泛。当然，这取决于您是否想做更多的理论或实践工作，但至少傅立叶分析是您应该学习的一门学科。它被广泛应用，尤其是在信号处理和图像处理等方面。复分析在傅里叶分析中自然而然地出现了。至少如果您想做更多“实用”的事情并进入实现细节，电路理论是至关重要的。新领域涉及诸如拓扑信号处理之类的遥远主题。当然，您应该了解与信号传播和干扰有关的基本概念。（检查例如信号干扰比、SINR 和瑞利衰落。）理解麦克斯韦方程可能很有用，因为它们至少在理解天线方向图方面至关重要。

这似乎是一本关于 DSP 的优秀（免费）书籍：https ://www.analog.com/en/education/education-library/scientist_engineers_guide.html 。我至少从书中对傅立叶变换和拉普拉斯变换有了一些很好的见解。

正如你所知道的，我在这个主题上相对较新，但我希望我至少能给你一些关于这个主题的见解。e

编辑：添加了一些东西。

“信号处理”作业通常采用不同的名称。例如，如果您使用无线电信号，您可能是“软件定义无线电”工程师、“RF 工程师”或“GNSS 工程师”。在其他领域，您可能是“计算机视觉工程师”、“算法工程师”或科学家。但是，一旦您走上了专门的道路，根据我的经验，通常很难改变轨迹。行业倾向于集群，因此您可以找到一个围绕航空航天工程的集群，另一个围绕生物医学的集群，并且很少有多个行业在有限的区域内共存的地方（英国剑桥就是其中之一）。

但令我感到兴奋的是，虽然 DSP 过去是使用 TI 和 Analog Devices 的专用 DSP 处理器的利基市场，但如今您可以在微型微控制器中找到对 DSP 指令的支持，当然也可以在每部智能手机的应用处理器中找到支持。

毫无疑问，机器学习是可预见的未来发展最快的领域，我相信信号处理是它最好的朋友（信号处理是嵌入式机器学习的关键）。因此，如果您在 Signal Processing 中开始学习 AI 和 TinyML，就不会出错。每周都有出色的免费在线课程和出色的演示。如果这是你的热情，永远不要停止学习！