基于STM32的HC蓝牙模块使用及常见问题

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 600+累计阅读 694平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄3年

关注

原创最新推荐文章于 2026-07-05 10:17:34 发布 694 阅读 AI 写同款· GEO 优化 ›

Arduino 专栏收录该内容

¥59.90 ¥99.00

95篇文章

订阅专栏

蓝牙技术在无线通信领域中得到广泛应用，而基于STM32的HC蓝牙模块是一种常见的蓝牙通信模块。本文将详细介绍如何使用STM32和HC蓝牙模块进行通信，并解答一些常见问题。

硬件准备

首先，我们需要准备以下硬件设备：

STM32开发板：用于控制和通信。
HC蓝牙模块：用于实现蓝牙通信功能。
USB转串口模块：用于将STM32与计算机连接，方便调试和数据传输。
杜邦线等连接线材。

连接电路

将HC蓝牙模块与STM32开发板进行连接。连接步骤如下：

将HC蓝牙模块的VCC引脚连接到STM32的5V电源引脚，将GND引脚连接到STM32的地引脚。
将HC蓝牙模块的TX引脚连接到STM32的RX引脚，将HC蓝牙模块的RX引脚连接到STM32的TX引脚。
如果使用USB转串口模块，将其连接到STM32的相应串口引脚，并通过USB接口连接到计算机。

编写代码

接下来，我们将使用Arduino开发环境编写代码来控制STM32和HC蓝牙模块进行通信。以下是一个简单的示例代码：

了解本专栏

订阅专栏解锁全文

收录于

当前文章被以下社区和专栏收录：

标签

#stm32 #单片机 #嵌入式硬件 #Arduino

stm32调用OV7670获取图像并通过蓝牙传输至PC stm32调用ov7670通过蓝牙与PC端通信阅读详情

相关推荐

bug简记：基于stm32连接mpu6050陀螺仪模块并用HC05蓝牙模块与手机通信

一方的信息发送脚要连接另一方的信息接收脚，双方的发送脚都连接着对方的接收脚，为分开的两条线，所以可以同时互相通信（因此被称为全双工通信）。从这些头文件中找到你需要功能的函数（一般都有完整的注释，这个步骤很简单，认真看一下程序就可以明白）在调用的时候，一般是先调用初始化函数，然后在while循环中调用你需要的功能函数，比如I2C数据接收函数。蓝牙模块没有单独的程序，实质上就是串口通信，只需要调用串口通信的函数，而且printf就可以进行输出（有一个加强输出的函数，这里我还没明白加强输出的作用）。

m0_74008131的博客 2141

基于STM32的HC-05蓝牙模块使用及常见问题（STM32-手机-Arduino使用HC-05进行蓝牙通讯）

最近在学习STM32开发板，在使用HC-05蓝牙模块时遇到了很多问题，没有驱动，串口通讯异常等等，在此期间借鉴了大量优快云博主的文章，作为回报，我将最终可以正常运行的程序，配置方法以及可能出现的问题分享给大家。大家有问题也可以留言，尽量回复！本文分为三个模块： Arduino与HC-05连接（与手机进行蓝牙通讯） STM32与HC-05连接（与手机进行蓝牙通讯） STM32与Ardui...

Great__Wang的博客 2万+

HC08蓝牙模块避坑指南：从AT指令无响应到手机APP连不上的常见问题排查（附STM32源码）

本文详细解析了HC08蓝牙模块在硬件连接、AT指令交互、STM32驱动层及手机端配对中的常见问题与解决方案。从USB转串口模块选型到电源噪声处理，再到AT指令规范与STM32源码实现，提供了一套完整的排错指南，帮助开发者快速解决蓝牙模块连接问题。

weixin_30443747的博客 421

用STC8G1K08A+HC-05蓝牙模块，给你的STM32做个无线烧录器（保留串口1调试）

本文详细介绍如何利用STC8G1K08A单片机和HC-05蓝牙模块构建STM32无线烧录器，实现无线烧写功能的同时保留串口1调试。通过硬件连接、固件开发和软件配置的完整指南，帮助开发者高效完成嵌入式程序更新，特别适合需要频繁烧录的场景。

weixin_30321449的博客 560

STM32 HC-05蓝牙透传实战｜手机APP无线收发、IO开关控制、极简模块化驱动、全程深度解析

本文介绍了HC-05蓝牙模块在嵌入式项目中的应用方案，解决了WiFi模块功耗高、配置复杂的问题。针对新手开发常见的指令解析困难、代码耦合、数据阻塞等痛点，提出串口中断非阻塞接收+自定义指令解析的模块化架构方案。文章详细解析了HC-05的透传模式工作原理、关键引脚配置和AT指令设置方法，重点阐述了流式数据传输的解决方案。提供完整的项目架构设计，包括硬件层、驱动层、逻辑层和应用层的实现方案。配套给出了经过优化的极简模块化代码，包含初始化、数据发送、指令解析等核心功能，可直接移植到STM32F1系列单片机。最

baoou4963的博客 409

测试人必看！正交表与Allpairs工具对比：如何选择最适合你的组合测试方案？

本文深入对比了正交表、PICT与Allpairs三种主流组合测试方案，帮助测试人员根据项目场景做出最佳选择。文章分析了各自的核心原理、优劣势及适用场景，特别强调了在涉及复杂约束时PICT工具的强大功能，并提供了从原理学习到CI/CD集成的实战选型指南。

weixin_29224309的博客 267

Abaqus仿真进阶：如何准确计算气动软体机器人的抓取力（Blocking Force分析）

本文详细介绍了使用Abaqus进行气动软体机器人抓取力（Blocking Force）分析的进阶技巧。从材料模型验证、刚性目标物选择到接触对建立和充气加载优化，提供了一套完整的有限元仿真解决方案，帮助工程师准确预测软体执行器的抓取性能。

weixin_42528902的博客 401

NFC门禁卡复制全解析：从M1卡到UID卡的攻防实践

本文深入解析了NFC门禁卡的安全机制与攻防实践。从M1卡基于Crypto1算法的原理漏洞讲起，详细阐述了利用Proxmark3等工具进行侦听、破解密钥及使用UID卡进行复制的完整攻击链条。同时，为防御方提供了从升级CPU卡、启用全扇区认证到部署多因子验证的系统性防护策略，旨在帮助管理员构建更稳固的物理安全防线。

weixin_29182481的博客 1401

T2T基因组组装实战指南：从数据到完整染色体

本文详细介绍了T2T基因组组装技术的实战指南，从测序数据选择到完整染色体组装的全流程。重点解析了ONT ultra-long和PacBio HiFi测序技术的优势，以及如何攻克端粒和着丝粒等重复区域的组装难题。通过具体案例和实用技巧，帮助研究人员实现从数据到完整染色体的高质量组装。

weixin_29292535的博客 845

不用SE63逐个翻译！ABAP函数LXE_OBJ_TEXT_PAIR_WRITE批量处理TCODE描述的3种姿势

本文介绍了三种利用ABAP函数LXE_OBJ_TEXT_PAIR_WRITE批量翻译SAP事务码（TCODE）描述的高效方案，旨在替代SE63逐个翻译的低效操作。内容涵盖从基础循环、Excel导入到全自动程序集成的实现方法，帮助开发者显著提升批量翻译效率，并深入解析了SAP翻译体系的核心原理与实战技巧。

weixin_42593130的博客 659

ArcGIS Pro 3.0 加载天地图WMTS服务，解决偏移问题的保姆级教程（附最新Key申请流程）

本文详细介绍了在ArcGIS Pro 3.0中精准加载天地图WMTS服务的全流程，包括最新Key申请流程、解决地图偏移问题的关键配置步骤以及常见问题排查方法。通过设置`esri`参数和统一坐标参考，确保地理数据与天地图底图精确匹配，提升GIS空间分析的准确性。

weixin_28713947的博客 302

Rust 编译工具链配置指南：从 link.exe 缺失到完美解决

本文详细解析了Windows下Rust编译时常见的'link.exe not found'错误，提供了MSVC和MinGW-w64两种工具链的完整配置指南。从Visual Studio组件安装到环境变量设置，再到疑难排查技巧，帮助开发者彻底解决Rust编译工具链配置问题，提升开发效率。

earth的博客 318

20、自定义用户窗体：从创建到使用

本文详细介绍了在Excel VBA中创建和使用自定义用户窗体的完整过程，涵盖从窗体设计、控件添加与属性设置，到事件处理程序编写及宏调用的各个环节。通过实际示例讲解了如何实现文本大小写转换和员工信息录入等功能，并深入解析了常用控件的属性与事件机制。同时提供了控件命名规范、快捷键使用、布局技巧等实用建议，帮助读者构建高效、交互性强的VBA用户界面。

h0i1j2k3l的博客 131

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")