MATLAB线性代数实战教程：从矩阵运算到特征值分解

很多人学线性代数的时候，最头疼的就是明明理解了概念，却要手工做大量矩阵乘法、求逆、求特征值的计算。一旦数据变成 4 阶、5 阶，草稿纸就不够用了。而 MATLAB 本身就以矩阵为基本运算单位，天然适合用来验证定理、完成计算，甚至解决工程中的数据拟合、图像压缩、主成分分析等问题。本文围绕“大谦MATLAB：线性代数”这条学习主线，整理一份免费的 MATLAB 教程式笔记，从环境准备、矩阵基础操作，一直讲到线性方程组、特征值分解、最小二乘和图像矩阵实战，同时给出常见的报错排查方法和工程最佳实践。无论你是正在学线性代数的学生，还是想用 MATLAB 快速做矩阵计算的工程师，都可以照着本文一步步操作。

1. 为什么要用 MATLAB 学线性代数

1.1 线性代数的工程价值

线性代数不只是数学系的一门基础课，它是控制理论、信号处理、机器学习、计算流体力学、图像处理、结构分析等方向的底层工具。理解矩阵、向量、特征值、特征向量这些概念，能帮助你读懂很多成熟算法：搜索引擎的 PageRank 依赖特征向量，人脸识别中的 PCA 依赖协方差矩阵分解，电路仿真中的节点分析法最终也归结为线性方程组求解。

不过，很多人在学习时容易卡在“计算过程”上。一个 3 阶行列式还能手算，一个 10 阶矩阵求逆就很容易算错。于是学习变成了背公式，而不是理解矩阵背后的几何含义。MATLAB 把“矩阵计算”变成了接近自然语言的命令，矩阵乘法和数学教材中的记号几乎一致，因此是很好的验证工具。你可以把例题输入命令行，立刻得到结果，然后反过来观察规律。

1.2 MATLAB 在线性代数学习中的优势

MATLAB 的变量类型里面，矩阵是最核心的数据结构。你不需要像 C 语言那样用双重循环去实现矩阵乘法，也不需要像 Python 那样显式导入 numpy 库，它原生就支持矩阵运算。比如：

A = [1 2; 3 4]; B = [5 6; 7 8]; C = A * B;

这里的A * B就是数学意义上的矩阵乘法。在 MATLAB 中，这种表达方式和教科书上的写法高度一致，学习成本低。

另外，MATLAB 内置了大量线性代数函数，包括行列式det、逆矩阵inv、秩rank、特征值eig、奇异值分解svd、QR 分解qr等。学习者不需要自己造轮子，只需要关注每个函数背后的数学意义以及适用条件。

1.3 本教程的内容安排

本文不追求把所有线性代数知识一次性讲完，而是围绕最基础、最常用的算子展开。内容安排如下：

• 环境准备：安装与命令行基础；
• 核心操作：矩阵创建、索引、四则运算、点运算；
• 线性代数函数：行列式、秩、逆矩阵、特征值、线性方程组求解；
• 实战案例：插值拟合、最小二乘、PCA、图像矩阵处理；
• 常见问题：维度错误、奇异矩阵、浮点误差等；
• 最佳实践：向量化、用左除代替求逆、代码组织。

这样的顺序可以让零基础读者先熟悉 MATLAB 的基本交互方式，再逐步过渡到有数学背景的线性代数计算。

2. 环境准备与基础操作

2.1 MATLAB 安装与版本说明

要运行本文的代码，你首先需要有一个可用的 MATLAB 环境。官方正版渠道包括：校园授权版、个人试用版、MATLAB Online 在线版。如果你所在学校或单位已经购买了 Toolbox 授权，直接通过官网账户安装即可。这里不做安装包和破解类说明，版本方面也不刻意指定旧版，建议使用近几年的正式发布版本，例如 R2022b、R2023b 以及之后的版本。

需要特别留意的是，本文某些示例会用到符号变量或者图像处理函数。如果报错提示找不到syms、rgb2gray，说明当前安装内容不完整，通常需要补充 Symbolic Math Toolbox 或 Image Processing Toolbox。如果只是完成线性代数基础计算，核心产品下的det、inv、eig已经足够。

如果你的电脑暂时无法安装 MATLAB，也可以考虑 GNU Octave，它的语法和 MATLAB 高度兼容，适合练习本文大部分代码。不过部分工具箱差异较大，遇到问题时建议回到 MATLAB 官方文档确认。

2.2 命令行窗口与脚本基础

安装完成后，打开 MATLAB，你会看到命令行窗口和当前文件夹。最简单的使用方式是在命令行窗口中直接输入表达式，回车得到结果。例如：

>> 1 + 2 ans = 3

MATLAB 中默认变量名是ans，用来保存上一次的计算结果。为了更清晰地管理数据，我们通常把代码写入脚本文件。点击“新建脚本”，保存为test_linear_algebra.m，然后在脚本中写完代码后点击“运行”，或者直接按 F5。

脚本文件便于保存和修改，也便于复现计算结果。本文后续代码都建议放在脚本文件中执行，而不是一行行复制到命令行，这样当矩阵维度变化时，修改参数后可以重新运行整个流程。

2.3 创建矩阵的基础方法

MATLAB 创建矩阵主要有两个思路：手动输入，或者调用内置函数生成。手动输入时，方括号[]用来界定矩阵，空格或逗号分隔同一行的元素，分号分隔不同行。例如：

% 3 行 3 列矩阵 A = [1 2 3; 4 5 6; 7 8 9]; % 行向量 row = [10 20 30]; % 列向量 col = [1; 2; 3];

除了手动输入，还可以使用内置函数快速生成特殊矩阵。常见的有：

Z = zeros(3); % 3x3 全 0 矩阵 O = ones(2, 4); % 2 行 4 列全 1 矩阵 I = eye(4); % 4 阶单位矩阵 R = rand(3); % 3x3 均匀分布随机数矩阵 N = randn(3); % 3x3 标准正态分布随机数矩阵 H = hilb(4); % 4 阶 Hilbert 矩阵，常用于病态矩阵实验

这里需要注意：zeros(3)默认生成 3×3 方阵，zeros(2,4)则生成 2 行 4 列矩阵。单位矩阵eye非常常用，因为它对应线性代数中的单位元，很多推导中都离不开它。

3. MATLAB 中的线性代数核心操作

3.1 矩阵的转置、索引与变形

转置在线性代数中就是把矩阵的行和列互换。MATLAB 中有两种写法：

A = [1 2 3; 4 5 6]; B = A.'; % 普通转置 C = A'; % 共轭转置

当矩阵元素是实数时，B和C结果相同。但如果 A 是复数矩阵，A'会同时取共轭，而A.'只做行列互换。这是一个容易踩坑的地方。

矩阵索引则是从矩阵中取出子块。MATLAB 索引从 1 开始，和 C 语言从 0 开始不同。常用方式如下：

A = [1 2 3; 4 5 6; 7 8 9]; A(2, 3) % 第 2 行第 3 列元素 A(1, :) % 第 1 行所有元素 A(:, 2) % 第 2 列所有元素 A(1:2, 2:3) % 前两行、第 2 到第 3 列组成的子矩阵 A([1 3], [2 3]) % 第 1 行和第 3 行、第 2 列和第 3 列交叉位置的元素

这里冒号:用来表示“全部”或“范围”。如果你需要取出某矩阵的最后一列，可以写成A(:, end)，end表示该维度的最后一个索引。

3.2 矩阵四则运算与点运算

矩阵乘法和标量乘法很容易理解，但 MATLAB 中有一个高频困惑点：*与.*的区别。

• A * B是标准矩阵乘法，要求 A 的列数等于 B 的行数；
• A .* B是元素对应相乘，要求 A 和 B 尺寸完全一致。

看一个例子：

A = [1 2; 3 4]; B = [2 0; 1 2]; % 矩阵乘法 M = A * B; % 元素对应乘法 P = A .* B;

A * B的结果是：

4 4 10 8

而A .* B的结果是：

2 0 3 8

类似地，除法和幂运算也有点运算版本：

Q = A ./ B; % 元素对应相除 E = A .^ 2; % 每个元素平方

如果不小心把.*写成*，MATLAB 通常会提示维度不匹配。这个错误在初学者中非常常见。

3.3 行列式、秩、迹与逆矩阵

线性代数教材里的核心运算，在 MATLAB 中都有一一对应的函数。以下矩阵均以 3×3 为例：

A = [2 1 0; 1 3 2; 0 1 4]; d = det(A); % 行列式 r = rank(A); % 矩阵的秩 t = trace(A); % 矩阵的迹，主对角线元素之和 B = inv(A); % 逆矩阵

需要理解的是，MATLAB 在计算这些函数时采用数值算法，并不是通过展开行列式公式来计算。det(A)返回的是浮点数，因此当结果非常接近 0 时，不能直接断定矩阵不可逆，更好的办法是观察rank或者计算条件数cond(A)。条件数越大，矩阵越接近奇异，求逆结果也越不可靠。

判断一个矩阵是否可逆，不建议使用det(A) == 0这样的写法，因为浮点误差会干扰判断。推荐结合rank和cond来做稳定性评估。

3.4 特征值与特征向量

特征值和特征向量是线性代数中最重要的概念之一。对可对角化矩阵A，特征向量矩阵V和特征值对角矩阵D满足：

A = [2 1; 1 2]; [V, D] = eig(A);

运行后，D的对角线元素就是特征值，V的每一列是对应的特征向量。可以验证：

B = A * V; C = V * D;

理论上B与C相等，但由于浮点误差，二者之差会在非常小的量级。

如果只需要特征值，可以写成：

e = eig(A);

这里有一个容易混淆的点：eig求的是稠密矩阵的全部特征值；如果矩阵规模很大而且是稀疏的，通常使用eigs来求一部分极值特征值。eigs依赖较复杂的迭代算法，初学者不需要深究细节，但要清楚两者的适用场景。

3.5 解线性方程组与最小二乘

线性方程组是线性代数最直接的应用。考虑：

2x + y = 5 x + 3y = 8

写成矩阵形式A * x = b：

A = [2 1; 1 3]; b = [5; 8]; x = A \ b;

点得到的x就是方程组的解。这里的反斜杠运算符非常重要，它代表“左除”，相当于求解A * x = b。MATLAB 会根据矩阵性质自动选择合适算法，比如高斯消元、LU 分解、QR 分解等，而不是直接计算逆矩阵。推荐使用A \ b而不是x = inv(A) * b，因为左除在数值稳定性和计算效率上都更好。

如果方程组是超定方程组，也就是方程数量多于未知数，通常不存在精确解，此时A \ b会返回最小二乘意义下的解。这个特性在数据拟合中极其有用。

4. 线性代数实战案例

4.1 案例 1：二次多项式插值

假设我们知道三个点(0, 1)、(1, 3)、(2, 7)，想找到一个二次多项式f(x) = a x^2 + b x + c精确经过这三个点。把三个点代入后，可以得到一个包含 3 个方程的线性方程组：

x = [0; 1; 2]; y = [1; 3; 7]; % 构造范德蒙德矩阵 V = [x.^2, x, ones(3, 1)]; coeff = V \ y;

代码里的x.^2是对x的每一个元素做平方，生成的矩阵V第一列是x^2，第二列是x，第三列是全 1。解出的coeff是[a; b; c]。

运行后得到：

coeff = 1 1 1

说明插值多项式是f(x) = x^2 + x + 1。可以快速验证：x = 0时结果为 1，x = 1时为 3，x = 2时为 7。这种构造线性方程组求解系数的方式，是插值和拟合的基础。

4.2 案例 2：最小二乘数据拟合

工程中很少要求曲线精确穿过每个数据点，更多情况是数据带噪声。假设有一组近似满足y = 2t + 1的数据，我们通过线性回归来估计参数：

rng(0); % 固定随机数种子，保证结果可复现 t = linspace(0, 1, 20)'; y = 2 * t + 1 + 0.1 * randn(20, 1); % 构造设计矩阵 X = [t, 1] X = [t, ones(20, 1)]; theta = X \ y;

这里的theta(1)是斜率估计值，theta(2)是截距估计值。由于数据噪声存在，估计结果不会严格等于 2 和 1，但会很接近。

背后原理是最小二乘解：

theta_ls = (X' * X) \ (X' * y);

和X \ y等价，但直接用左除通常更稳定。通过这个案例，可以直观看出线性代数在回归分析中的核心地位。

4.3 案例 3：PCA 主成分分析

主成分分析是数据降维的经典方法，本质上也是特征值分解的应用。我们生成一组二维数据，然后旋转它，使其存在明显相关性：

rng(1); data = [3 * randn(100, 1) + 2, 0.5 * randn(100, 1) + 3]; % 旋转数据 theta_rot = pi / 6; R = [cos(theta_rot), -sin(theta_rot); sin(theta_rot), cos(theta_rot)]; data = data * R; % 数据中心化 data = data - mean(data); % 协方差矩阵 C = (data' * data) / (size(data, 1) - 1); % 特征值分解 [V, D] = eig(C); [~, idx] = sort(diag(D), 'descend'); V = V(:, idx); % 投影到主成分方向 score = data * V;

这个例子把“协方差矩阵”和“特征分解”串在了一起。协方差矩阵C的对角线表示每个维度的方差，特征值表示投影到特征向量方向后方差的大小。排序后，第一个主成分方向就是数据变化最大的方向。PCA 本质上就是在做这样一次坐标系旋转和降维选择。

如果对可视化感兴趣，可以在脚本中加上：

figure; plot(data(:,1), data(:,2), 'o'); hold on; quiver(0, 0, V(1,1), V(2,1), 'r', 'LineWidth', 2); quiver(0, 0, V(1,2), V(2,2), 'b', 'LineWidth', 2); axis equal; legend('data', 'PC1', 'PC2');

图中两条箭头就是两个主成分方向。可以看到，数据沿红色箭头方向的波动更大。

4.4 案例 4：图像作为矩阵的简单处理

图像的本质就是一个像素值矩阵。灰度图是二维矩阵，彩色图是三维数组。利用矩阵运算，我们可以快速实现图像裁剪、亮度调整、缩放等操作。

先读取图像并转为灰度矩阵：

img = imread('peppers.png'); % 使用 MATLAB 自带的示例图 gray = rgb2gray(img); M = double(gray);

由于imread读入的是无符号 8 位整数类型，直接做加法、乘法可能溢出，所以用double转成浮点型矩阵。现在，裁剪左上角 64×64 区域：

block = M(1:64, 1:64);

把整张图变亮 40 个灰度级：

bright = M + 40;

把整张图对比度降低，也就是乘以一个小数：

dark = M * 0.6;

如果要把结果保存或显示出来，需要先把数值限制在 0 到 255 之间：

dark = max(min(dark, 255), 0); imshow(uint8(dark));

这个案例把“图像就是矩阵”这一观念落实到代码中。理解这一点之后，卷积、傅里叶变换、图像压缩等更高级内容，都能从矩阵运算的角度去理解。

5. 常见问题与排查思路

5.1 高频错误对照表

5.2 数值精度问题

线性代数计算中，浮点误差是不可避免的。比如：

sin(pi)

理论上是 0，但 MATLAB 返回1.2246e-16，因为pi本身只是圆周率的浮点近似值。再比如计算行列式时，理论上奇异矩阵的行列式应为 0，但数值结果可能是一个极小的数。此时应使用rank或cond来判断矩阵性质。

如果需要查看更高精度的显示结果，可以用：

format long

这只是改变显示精度，不会改变内部计算精度。如果确实需要任意精度计算，就需要符号数学工具箱中的vpa和syms。不过对于大多数工程应用，双精度浮点数已经足够，过多追求高精度反而会影响运行速度。

5.3 工具箱缺失问题

MATLAB 的功能由许多工具箱组成。基础线性代数核心函数不需要额外安装，但一旦用到syms、rgb2gray、eigs等，就可能依赖特定工具箱。遇到报错后，可以先在命令行执行：

which syms which rgb2gray

如果输出显示“未找到”，说明缺少对应工具箱。解决方式是安装对应工具箱，或者改写为不依赖该工具箱的实现。比如图像灰度化可以手动计算加权平均值，但没有rgb2gray时手动转换仍然需要矩阵操作，这也可以作为强化矩阵练习的好机会。

5.4 转置和点运算混淆

很多初学者会在需要逐元素运算时，错误使用矩阵乘法。判断标准很简单：如果两个矩阵尺寸完全相同，且你希望对应位置相乘，使用.*；如果希望按线性代数中的矩阵乘法进行行列交互求积，使用*。同理，sin(A)是对 A 的每个元素取正弦，而不是矩阵的“矩阵正弦”函数。如果你确实需要矩阵函数意义上的正弦，需要使用funm(A, @sin)，但这个概念在线性代数课程中较少出现，初学阶段不必纠结。

6. 最佳实践与工程建议

6.1 尽量使用向量化运算

MATLAB 对矩阵运算做了大量底层优化。能写成A .* B或A * B的地方，尽量不要用双层 for 循环去逐元素计算。向量化不仅代码更短，而且可读性更好，运行速度也更快。例如计算数组平方和，不要写：

s = 0; for i = 1:length(x) s = s + x(i)^2; end

可以一次性写成：

s = x(:)' * x(:);

这本质就是向量内积，同时也是线性代数在编程中的体现。

6.2 用左除代替显式求逆

在求解A * x = b时，推荐写成A \ b，不要写inv(A) * b。显式求逆会增加计算量，并且放大数值误差。如果矩阵是奇异或欠秩的，A \ b会给出最小二乘解并附带警告，而inv(A)通常会直接失败或给出不可靠结果。

如果需要求解x * A = b，则对应右除b / A。右除使用场景相对较少，但规则和左除对称。

6.3 代码组织与注释习惯

建议把代码写进脚本或函数文件，而不是在命令行窗口直接粘贴长代码。脚本文件建议使用这样的开头：

%% 清理工作区 clear; close all; clc;

不过在实际工程中，不要随手清理所有变量，因为协同开发时其他人的工作区也可能受到影响。更推荐在脚本内部使用局部变量名，并使用function封装核心逻辑。函数文件便于复用，也能避免变量污染。

注释方面，可以在关键矩阵运算前说明它的数学含义，例如“构造设计矩阵 X”，这样一段时间后再读代码，依然能快速理解当时的思路。

6.4 善用帮助文档和调试工具

遇到不熟悉的函数时，命令行执行：

doc inv doc eig doc mldivide

MATLAB 自带官方文档是很好的学习资料。调试脚本时，可以在某个行号左侧点击设置断点，然后逐步执行，观察每个变量的尺寸和数值。很多矩阵维度错误，通过在工作区中查看变量大小就能快速定位。

6.5 关于有效数字和格式化输出

有时候我们需要把数值保留两位有效数字。可以直接使用格式化函数：

x = 1234.5678; s = sprintf('%.2g', x); y = str2double(s);

%.2g表示保留两位有效数字。如果你的 MATLAB 版本较新，也可以尝试：

y = round(x, 2, 'significant');

如果当前版本不支持该语法，MATLAB 会提示错误，这时改用sprintf方式即可。这种方法适合在生成报告、拼接标题时使用，并不会改变数据本身的精度。

6.6 安全与数据管理意识

涉及数据文件读写时，养成备份原始数据的习惯。尤其是做矩阵处理时，如果对原矩阵进行覆盖性赋值，例如直接写M = M * 0.6，一旦结果不理想，原始数据就找不回来了。建议保留原始变量，或者使用save保存副本：

save('data_original.mat', 'M');

之后任何时候想恢复，都可以：

load('data_original.mat');

这个习惯在实验和工程项目中都非常重要。

7. 延伸方向与学习建议

到这里，你已经能熟练使用 MATLAB 完成线性代数中最常见的计算：矩阵输入、转置、乘法、行列式、秩、逆、特征值以及线性方程组求解。接下来可以继续深入的方向包括：

• 理解 QR 分解、LU 分解、SVD 分解的数值意义；
• 在数据科学中继续学习协方差矩阵、PCA、LDA 等线性方法；
• 在信号处理中学习傅里叶变换与滤波器的矩阵形式；
• 在数值计算中研究病态矩阵、条件数和正则化方法。

如果觉得抽象，可以把 3Blue1Brown 的《线性代数的本质》系列视频作为几何直观补充，再用 MATLAB 把视频中提到的线性变换写成矩阵，自己观察变换效果。比如二维旋转矩阵：

theta = pi / 4; R = [cos(theta), -sin(theta); sin(theta), cos(theta)]; points = [1 0; 0 1]; rotated = points * R';

这种“先看几何，再用代码验证”的方式，能让你对矩阵乘法的意义有更深理解。不要怕报错，也别急着追求复杂算法，先从二维小矩阵开始，逐步扩展到高维数据和真实工程问题。掌握几行代码并不难，难的是把线性代数的几何直觉和数值实现连成一条线，这条线一旦打通，后面看很多算法都会轻松不少。