MATLAB程序大全（从入门到实战含完整可运行代码）

MATLAB程序大全（从入门到实战，含完整可运行代码）一、MATLAB基础入门程序（新手必练）1.1环境基础操作（熟悉界面与核心指令）说明：涵盖工作路径设置、变量管理、帮助查询等基础操作，适配Windows/macOS/Linux全系统，新手可先执行熟悉环境。matlab

%MATLAB基础环境操作示例

%1.查看当前工作路径

pwd;

%2.切换工作路径（示例：切换到D盘Matlab文件夹，路径无中文、空格）

cd('D:\Matlab');

%3.列出当前路径下的所有文件

ls;

%4.清空命令行窗口

clc;

%5.清空工作区所有变量

clear;

%6.关闭所有图形窗口

closeall;

%7.查看函数帮助（示例：查看sin函数用法）

helpsin;

%8.验证环境是否正常（输出ans=2即为正常）

1+1;

1.2变量与数据类型（MATLAB核心基础）说明：MATLAB无需声明变量类型，默认以矩阵/数组形式存储，以下涵盖常用数据类型的定义与操作，注释详细可直接运行。matlab

%1.数值型变量（标量、矩阵、复数）

a=5;%标量（1×1矩阵）

b=[123;456];%2×3矩阵（行内空格分隔，行间分号分隔）

c=3+4i;%复数

d=25/0;%无穷大（Inf）

e=0/0;%无意义值（NaN）

%2.字符型与逻辑型

f='HelloMatlab';%字符数组（单引号包裹）

g=strcat('Hello','World!');%字符拼接（横向）

h=strvcat('Hello','World!');%字符拼接（纵向）

i=(a>3);%逻辑型（true=1，false=0）

%3.结构体（存储复杂关联数据）

='张三';

student.age=20;

student.grade=[908595];%结构体嵌套数组

%4.单元格数组（存储不同类型数据）

cell_arr{1,1}=123;

cell_arr{1,2}='Matlab';

cell_arr{2,1}=[123];

%查看所有变量信息

whos;

1.3矩阵与数组操作（MATLAB灵魂功能）说明：涵盖矩阵创建、切片、运算、特殊矩阵生成，是后续所有实战的基础，重点掌握点运算与矩阵运算的区别。matlab

%1.矩阵创建与基本信息

A=[1234;5678;9101112];%3×4矩阵

[m,n]=size(A);%获取矩阵行数（m）和列数（n）

len=length(A);%获取矩阵最长维度长度

num=numel(A);%获取矩阵总元素个数

%2.特殊矩阵生成

zeros_mat=zeros(3,2);%3×2零矩阵

ones_mat=ones(3,2);%3×2全1矩阵

rand_mat=rand(3,2);%3×2随机矩阵（0-1均匀分布）

randn_mat=randn(3,2);%3×2正态分布随机矩阵

magic_mat=magic(4);%4阶魔方矩阵（行、列、对角线和相等）

eye_mat=eye(4);%4阶单位矩阵

%3.矩阵切片（核心操作）

A_row2=A(2,:);%取第2行所有元素（列向量）

A_col3=A(:,3);%取第3列所有元素（列向量）

A_part1=A(2:5,:);%取第2到5行（不足则取到最后一行）

A_part2=A(2:2:5,:);%取第2、4行（步长为2）

A_all=A(:);%取所有元素（按列拼接为列向量）

A_trans=A';%矩阵转置

%4.矩阵运算（区分矩阵运算与点运算）

B=[10;11;23];

mat_mul=A*B;%矩阵乘法（需满足A列数=B行数）

dot_mul=A(1:3,1:2).*B;%点乘法（对应元素相乘，需同维度）

dot_div=A(1:3,1:2)./B;%点除法（对应元素相除）

dot_pow=A(1:3,1:2).^2;%点乘方（对应元素平方）

%5.矩阵常用函数

A_sum_col=sum(A);%按列求和（行向量）

A_sum_row=sum(A,2);%按行求和（列向量）

A_sum_all=sum(A(:));%矩阵所有元素求和

A_inv=inv(B);%求矩阵逆（需为方阵且非奇异）

[V,D]=eig(magic_mat);%求矩阵特征值（D）和特征向量（V）

二、MATLAB核心功能程序（高频使用）2.1数据可视化（绘图功能，科研/报告必备）说明：涵盖2D绘图、3D绘图、动态绘图，可直接修改参数适配自身数据，注释清晰，便于自定义样式。matlab

%1.2D绘图（基础折线图、直方图、散点图）

figure(1);%新建图形窗口1

x=0:0.01:2*pi;%生成0到2π的自变量，步长0.01

y1=sin(x);

y2=cos(x);

%绘制sin和cos曲线，设置颜色、线型、标签

plot(x,y1,'r-','LineWidth',1.5,'DisplayName','sin(x)');

holdon;%保持当前图形，继续绘制

plot(x,y2,'b--','LineWidth',1.5,'DisplayName','cos(x)');

plot(x,zeros(size(x)),'k--','LineWidth',1);%绘制x轴参考线

%图形美化与标注

xlabel('x(rad)','FontSize',12);

ylabel('y=sin(x)/cos(x)','FontSize',12);

title('sin(x)与cos(x)曲线对比','FontSize',14,'FontWeight','bold');

legend('Location','best');%图例放在最佳位置

gridon;%显示网格

holdoff;%结束绘图保持

%2.直方图（数据分布展示）

figure(2);

data=randn(1000,1);%生成1000个正态分布数据

histogram(data,30,'FaceColor',[0.20.80.8],'EdgeColor','black');

xlabel('数据值','FontSize',12);

ylabel('频数','FontSize',12);

title('正态分布数据直方图','FontSize',14,'FontWeight','bold');

gridon;

%3.3D绘图（曲面图）

figure(3);

[X,Y]=meshgrid(-2:0.1:2,-2:0.1:2);%生成3D网格

Z=X.^2+Y.^2;%抛物面函数

surf(X,Y,Z);%绘制曲面图

shadinginterp;%平滑着色

xlabel('X','FontSize',12);

ylabel('Y','FontSize',12);

zlabel('Z=X^2+Y^2','FontSize',12);

title('3D抛物面图','FontSize',14,'FontWeight','bold');

colormap(jet);%设置颜色映射

colorbar;%显示颜色条

%4.动态绘图（以sin(x)动态变化为例）

figure(4);

x=0:0.01:2*pi;

fori=1:length(x)

plot(x(1:i),sin(x(1:i)),'r-','LineWidth',1.5);

xlabel('x(rad)','FontSize',12);

ylabel('sin(x)','FontSize',12);

title('sin(x)动态绘图','FontSize',14,'FontWeight','bold');

ylim([-1.21.2]);%固定y轴范围

drawnow;%刷新图形

pause(0.005);%暂停0.005秒，控制动画速度

end

2.2数据分析（曲线拟合、插值、统计分析）说明：涵盖常用数据分析功能，适用于实验数据处理、建模分析，附结果可视化，便于验证准确性。matlab

%1.曲线拟合（多项式拟合，以二次拟合为例）

%模拟实验数据（含噪声）

x=0:0.1:10;

y_true=2*x.^2+3*x+1;%真实函数

y_noise=y_true+randn(size(x))*5;%添加噪声

%二次多项式拟合（polyfit：拟合，polyval：预测）

p=polyfit(x,y_noise,2);%p=[abc]，对应y=a*x²+b*x+c

y_fit=polyval(p,x);

%拟合结果可视化

figure(1);

plot(x,y_noise,'ro','DisplayName','带噪声数据');

holdon;

plot(x,y_true,'b-','LineWidth',1.5,'DisplayName','真实曲线');

plot(x,y_fit,'g--','LineWidth',1.5,'DisplayName','二次拟合曲线');

xlabel('x','FontSize',12);

ylabel('y','FontSize',12);

title('多项式曲线拟合示例','FontSize',14,'FontWeight','bold');

legend('Location','best');

gridon;

holdoff;

%2.数据插值（线性插值、三次样条插值）

x_interp=0:0.5:10;

y_interp=2*x_interp.^2+3*x_interp+1;%原始稀疏数据

x_new=0:0.1:10;%新的插值点

%线性插值

y_linear=interp1(x_interp,y_interp,x_new,'linear');

%三次样条插值（更平滑）

y_spline=interp1(x_interp,y_interp,x_new,'spline');

%插值结果可视化

figure(2);

plot(x_interp,y_interp,'ro','DisplayName','原始稀疏数据');

holdon;

plot(x_new,y_linear,'b-','LineWidth',1,'DisplayName','线性插值');

plot(x_new,y_spline,'g--','LineWidth',1.5,'DisplayName','三次样条插值');

xlabel('x','FontSize',12);

ylabel('y','FontSize',12);

title('数据插值对比','FontSize',14,'FontWeight','bold');

legend('Location','best');

gridon;

holdoff;

%3.统计分析（描述性统计、假设检验）

data=[12151418161713191516];%样本数据

%描述性统计

mean_data=mean(data);%均值

std_data=std(data);%标准差

var_data=var(data);%方差

median_data=median(data);%中位数

max_data=max(data);%最大值

min_data=min(data);%最小值

range_data=range(data);%极差

%输出统计结果

fprintf('样本均值：%.2f\n',mean_data);

fprintf('样本标准差：%.2f\n',std_data);

fprintf('样本方差：%.2f\n',var_data);

fprintf('样本中位数：%.2f\n',median_data);

fprintf('样本最大值：%.2f\n',max_data);

fprintf('样本最小值：%.2f\n',min_data);

fprintf('样本极差：%.2f\n',range_data);

%假设检验（t检验，检验样本均值是否等于15）

[h,p]=ttest(data,15);

fprintf('\nt检验结果：\n');

ifh==0

fprintf('接受原假设，样本均值等于15（p值=%.4f）\n',p);

else

fprintf('拒绝原假设，样本均值不等于15（p值=%.4f）\n',p);

end

2.3图像处理基础（读取、滤波、边缘检测）说明：基于ImageProcessingToolbox，涵盖图像处理常用操作，无需复杂配置，直接替换图片路径即可运行。matlab

%1.图像读取与显示

img_path='test.jpg';%替换为自己的图片路径（相对/绝对路径均可）

img=imread(img_path);%读取图像（默认彩色图像，三维矩阵）

gray_img=rgb2gray(img);%转换为灰度图像（二维矩阵）

%显示原始图像与灰度图像

figure(1);

subplot(2,3,1);

imshow(img);

title('原始彩色图像','FontSize',12);

subplot(2,3,2);

imshow(gray_img);

title('灰度图像','FontSize',12);

%2.图像去噪（高斯滤波）

gauss_img=imgaussfilt(gray_img,2);%高斯滤波，sigma=2（值越大越模糊）

subplot(2,3,3);

imshow(gauss_img);

title('高斯滤波去噪图像','FontSize',12);

%3.边缘检测（Canny边缘检测）

edge_img=edge(gauss_img,'canny',[0.10.3]);%阈值范围[0.1,0.3]

subplot(2,3,4);

imshow(edge_img);

title('Canny边缘检测','FontSize',12);

%4.图像缩放与旋转

scale_img=imresize(img,0.5);%缩小为原来的50%

rotate_img=imrotate(img,45);%顺时针旋转45度

subplot(2,3,5);

imshow(scale_img);

title('缩放后图像（50%）','FontSize',12);

subplot(2,3,6);

imshow(rotate_img);

title('旋转45度图像','FontSize',12);

%5.图像保存

imwrite(gray_img,'gray_image.jpg');%保存灰度图像

imwrite(edge_img,'edge_image.jpg');%保存边缘检测图像

2.4Simulink基础（仿真建模，以简单控制系统为例）说明：通过MATLAB命令行自动创建Simulink模型，无需手动拖拽模块，适合快速搭建简单仿真系统。matlab

%自动创建Simulink模型（简单一阶系统仿真）

%1.新建Simulink模型并打开

new_system('FirstOrderSystem');

open_system('FirstOrderSystem');

%2.添加模块（信号源、系统、示波器）

%添加阶跃信号源（Step）

add_block('simulink/Sources/Step','FirstOrderSystem/Step',...

'Position',[5010080130]);%模块位置（x1,y1,x2,y2）

%添加一阶传递函数（TransferFcn）

add_block('simulink/Continuous/TransferFcn','FirstOrderSystem/TransferFcn',...

'Position',[150100180130]);

%设置传递函数参数（G(s)=1/(s+1)）

set_param('FirstOrderSystem/TransferFcn','Numerator','1','Denominator','11');

%添加示波器（Scope）

add_block('simulink/Sinks/Scope','FirstOrderSystem/Scope',...

'Position',[250100280130]);

%3.连接模块（Step->TransferFcn->Scope）

add_line('FirstOrderSystem','Step/1','TransferFcn/1');

add_line('FirstOrderSystem','TransferFcn/1','Scope/1');

%4.设置仿真参数并运行

set_param('FirstOrderSystem','StopTime','10');%仿真停止时间10s

sim('FirstOrderSystem');%运行仿真

%5.打开示波器查看结果

open_system('FirstOrderSystem/Scope');

三、MATLAB实战案例程序（从入门到进阶）3.1案例1：学生成绩统计分析（入门级）说明：处理学生成绩数据，实现统计分析、排名、可视化，适合新手练习数据处理与基础语法。matlab

%学生成绩统计分析程序

%1.定义学生成绩数据（姓名-语文-数学-英语）

students={

'张三',85,92,88;

'李四',78,85,90;

'王五',90,88,92;

'赵六',76,80,75;

'孙七',88,95,90;

'周八',92,86,89

};

%提取成绩数据（第二列到第四列）

scores=cell2mat(students(:,2:4));

%提取姓名

names=students(:,1);

%2.成绩统计

avg_scores=mean(scores,2);%每人平均分（按行求和）

sum_scores=sum(scores,2);%每人总分

max_score=max(scores,[],2);%每人最高分

min_score=min(scores,[],2);%每人最低分

subject_avg=mean(scores,1);%每科平均分（按列求和）

%3.成绩排名（按总分降序）

[sum_scores_sorted,idx]=sort(sum_scores,'descend');

names_sorted=names(idx);

avg_scores_sorted=avg_scores(idx);

%4.结果输出

fprintf('===学生成绩统计报告===\n');

fprintf('姓名\t语文\t数学\t英语\t总分\t平均分\t最高分\t最低分\n');

fprintf('---------------------------------------------\n');

fori=1:length(students)

fprintf('%s\t%d\t%d\t%d\t%d\t%.1f\t%d\t%d\n',...

names{i},scores(i,1),scores(i,2),scores(i,3),...

sum_scores(i),avg_scores(i),max_score(i),min_score(i));

end

fprintf('\n===科目平均分===\n');

fprintf('语文：%.1f分\n',subject_avg(1));

fprintf('数学：%.1f分\n',subject_avg(2));

fprintf('英语：%.1f分\n',subject_avg(3));

fprintf('\n===成绩排名（按总分降序）===\n');

fprintf('排名\t姓名\t总分\t平均分\n');

fprintf('-------------------------\n');

fori=1:length(students)

fprintf('%d\t%s\t%d\t%.1f\n',...

i,names_sorted{i},sum_scores_sorted(i),avg_scores_sorted(i));

end

%5.成绩可视化（柱状图展示总分）

figure(1);

bar(1:length(names_sorted),sum_scores_sorted);

set(gca,'XTickLabel',cell2mat(names_sorted));

xlabel('学生姓名','FontSize',12);

ylabel('总分','FontSize',12);

title('学生总分排名柱状图','FontSize',14,'FontWeight','bold');

gridon;

3.2案例2：房价预测（进阶级，基于线性回归）说明：基于房价数据集（模拟），实现线性回归预测，涵盖数据预处理、模型训练、预测与评估，适合进阶练习。matlab

%房价预测（线性回归）程序

%1.模拟房价数据集（特征：面积、房间数；标签：房价）

rng(1);%固定随机种子，保证结果可复现

n=100;%样本数量

area=80+rand(n,1)*70;%面积（80-150㎡）

room=randi([1,4],n,1);%房间数（1-4间）

%真实房价模型：price=0.8*area+20*room+50+噪声

price=0.8*area+20*room+50+randn(n,1)*10;

%2.数据预处理（构造特征矩阵，添加常数项）

X=[ones(n,1),area,room];%特征矩阵（n×3，第一列为常数项）

y=price;%标签向量

%3.线性回归模型训练（最小二乘法）

theta=X\y;%求解回归系数（theta=[b,a1,a2]，对应price=b+a1*area+a2*room）

b=theta(1);

a1=theta(2);

a2=theta(3);

%4.模型预测

y_pred=X*theta;%训练集预测值

%5.模型评估（计算均方误差MSE、决定系数R²）

mse=mean((y-y_pred).^2);%均方误差（越小越好）

r2=1-sum((y-y_pred).^2)/sum((y-mean(y)).^2);%决定系数（越接近1越好）

%6.结果输出

fprintf('===房价线性回归模型===\n');

fprintf('回归方程：房价=%.2f+%.2f×面积+%.2f×房间数\n',b,a1,a2);

fprintf('均方误差（MSE）：%.2f\n',mse);

fprintf('决定系数（R²）：%.4f\n',r2);

%7.结果可视化（实际房价vs预测房价）

figure(1);

scatter(1:n,y,50,'r','filled','DisplayName','实际房价');

holdon;

plot(1:n,y_pred,'b-','LineWidth',1.5,'DisplayName','预测房价');

xlabel('样本序号','FontSize',12);

ylabel('房价（万元）','FontSize',12);

title('实际房价与预测房价对比','FontSize',14,'FontWeight','bold');

legend('Location','best');

gridon;

holdoff;

%8.新样本预测（示例：面积120㎡，3间房）

new_area=120;

new_room=3;

new_X=[1,new_area,new_room];

new_price=new_X*theta;

fprintf('\n新样本预测：面积%d㎡，%d间房，预测房价：%.2f万元\n',new_area,new_room,new_price);

3.3案例3：图像降噪与边缘检测（提高级）说明：结合图像处理核心功能，实现完整的图像预处理流程，适用于工业检测、图像分析等场景。matlab

%图像降噪与边缘检测完整流程

%1.读取带噪声图像（替换为自己的图像路径）

img_path='noisy_image.jpg';

img=imread(img_path);

gray_img=rgb2gray(img);%转换为灰度图像

%2.图像降噪（组合滤波：高斯滤波+中值滤波，效果更优）

gauss_img=imgaussfilt(gray_img,1.5);%高斯滤波去高斯噪声

med_img=medfilt2(gauss_img,[33]);%中值滤波去椒盐噪声

%3.边缘检测（Canny边缘检测，优化阈值）

edge_img=edge(med_img,'canny',[0.150.35]);%调整阈值增强边缘

%4.边缘优化（膨胀操作，使边缘更清晰）

se=strel('disk',1);%结构元素（圆盘形，半径1）

edge_opt=imdilate(edge_img,se);%膨胀操作

%5.结果可视化（多图对比）

figure(1);

subplot(2,3,1);

imshow(img);

title('原始带噪声图像','FontSize',12);

subplot(2,3,2);

imshow(gray_img);

title('灰度图像','FontSize',12);

subplot(2,3,3);

imshow(gauss_img);

title('高斯滤波后','FontSize',12);

subplot(2,3,4);

imshow(med_img);

title('组合滤波后（降噪完成）','FontSize',12);

subplot(2,3,5);

imshow(edge_img);

title('Canny边缘检测','FontSize',12);

subplot(2,3,6);

imshow(edge_opt);

title('边缘优化