高等代数复习笔记：线性方程组、行列式与线性空间主线梳理

简介：这是一份由CSDN用户weixin_35816805分享的丘维声《高等代数》学习笔记第一辑，适配正在系统学习线性代数与高等代数基础的大学生、考研备考者及自学爱好者。资源以pdf格式提供，共1个文件，大小约1.21MB，内容聚焦线性方程组、行列式、线性空间三大核心章节，笔记基于B站丘维声151讲视频整理而成，包含知识点梳理、例题讲解与习题思路，便于按章节对照学习。目前已有1173人学习下载，认可度较好。相比通篇抄录教材，这份笔记更强调逻辑框架与解题方法，如矩阵消元法、n阶行列式定义、克莱姆法则、向量组的秩、基与维数等均有细致提炼，同时配有习题思路点拨，有助于快速构建高等代数的知识体系，提升抽象思维与解题能力。

1. 高等代数笔记怎么读：先抓住那条主线

高等代数学习笔记里，最容易被低估的是一条主线：n元线性方程组怎样一步步引出矩阵、行列式、线性空间，最后落到线性映射。许多学习者学完第一章就在行列式里迷失方向，觉得性质太多、展开太绕，根源就是没意识到行列式只是研究所用到的一把工具，而不是学习的目的本身。这份笔记的逻辑链路非常清晰——方程组靠消元法求解，求解过程需要判别解的情况，于是行列式登场；解集本身携带结构，于是线性空间成为新舞台。适合三类人阅读：正在跟着课程视频逐讲推进的初学者、期末前需要重建知识框架的复习者，以及做题时“定理都会、下笔就错”的实战型选手。先记住主干，再往每个分支填细节，复习效率会明显不一样。

2. 线性方程组：消元、判别与数域，三件事一次理清

2.1 矩阵消元法：三种初等行变换为什么不动“解”

解线性方程组的核心操作是加减消元，而把它写成矩阵形式后，所有操作都集中到增广矩阵的初等行变换上。三种初等行变换是：把一行的倍数加到另一行、两行互换、一行乘以非零系数。这三点看起来简单，却是第一章最容易被“自以为会了”的部分。为什么这三类操作不改变解集？因为每一步都相当于对原方程组做了一次可逆的线性组合，新方程组与原方程组可以互相推出，解集自然完全一致。

实际操作中有一个容易忽略的顺序问题：增广矩阵化成阶梯形矩阵时，必须按列推进，先处理第一列，再处理第二列，直到最后一列。阶梯形矩阵的特征是左下角元素全为0，主元尽量化为1。如果中途跳列操作，很容易把已经化好的列重新弄乱。主元的定义要记牢——每个非零行的第一个非零元素就是主元，主元所在列的未知量叫主变量，其余未知量在无穷多解的情况下叫自由未知量。

提示：解方程组时只能使用初等行变换，不能对列做变换。列变换相当于交换未知量的次序，会破坏方程与未知量的对应关系。

消元过程有个终极形态：当阶梯形矩阵进一步化为简化阶梯形——主元全为1、同一列其余元素为0——最后一列直接就是唯一解。复习时建议把两种形态分开理解：阶梯形负责判断解的情况，简化阶梯形负责读出解；很多参考书混为一谈，做题时反而容易卡在“下一步该干嘛”。

2.2 解的情况三分类：无解、唯一解、无穷多解

线性方程组在有理数域内有且只有三种结果：无解、唯一解、无穷多解。判别方法可以浓缩成一张表：

这里 n 是未知量的个数，r 是阶梯形矩阵的非零行数。判别顺序很重要：先检查有没有“0 = d”这样的矛盾行，再比较 r 与 n。很多人先比较 r 再找矛盾行，结果把无解的题目误判成唯一解。为什么 r = n 时一定有唯一解？因为 n 个非零行对应 n 个主元，第 r 个主元只能落在前 n 列而不能落在第 n + 1 列，于是可以从最后一个方程开始自下而上逐个解出所有未知量。为什么 r < n 时有无穷多解？剩余 n − r 个自由未知量可以取任意值，每一个取值组合都会产生一组解。

几何直觉能帮助记忆：两个二元一次方程对应两条直线，相交、平行、重叠三种位置关系恰好对应唯一解、无解、无穷多解。把这种直觉上升到一般情形，就会发现方程组解的情况本质上由“主元位置”决定，而不是由方程的个数决定。

2.3 数域：最容易当常识略过的定义

数域这一节在笔记里单独列出，却被很多人当成“显然成立”直接跳过。数域的定义是：复数集的一个非空子集 K，满足三件事——包含 0 和 1；对加减乘封闭；对除法封闭（分母不为 0）。有理数域 Q 是最小的数域，实数域 R 和复数域 C 是常见例子。为什么教材要在这里专门讨论数域？因为“解方程组”这件事必须在某个数域内进行，解里出现不属于该数域的数，就不能被接受。

一个经典习题是证明 Q(i) = {a + bi | a, b ∈ Q} 是数域。证明思路分三步：先说明 0 = 0 + 0i、1 = 1 + 0i 都在 Q(i) 里；再验证 α ± β 和 αβ 仍属于 Q(i)；最后处理除法 α/β，核心是分母有理化——当 β = c + di ≠ 0 时，c、d 不全为 0，把分子分母同乘 c − di 即可。这类题训练的不是技巧，而是“按定义逐条检查”的数学习惯。

注意：判断一个集合是不是数域，最容易被漏掉的是除法封闭。只验证了加减乘，等于只做了一半。

行列式的引入其实也埋在这里。对二元方程组，唯一解的条件恰好是 a₁₁a₂₂ − a₂₁a₁₂ ≠ 0，这个表达式就是二阶行列式。也就是说，行列式不是凭空冒出来的符号，而是解方程组过程中自然分离出来的判据。

3. 行列式：算法记牢，性质吃透，展开别漏符号

3.1 n元排列与逆序数：行列式定义的前置

n元排列指 1, 2, …, n 的全排列，一共有 n! 个。任取排列中的两个数，若较大数排在较小数前面，称为一个逆序；逆序总数叫逆序数，记作 τ。逆序数是偶数时称偶排列，是奇数时称奇排列。对换——交换排列中两个数字的位置——会改变排列的奇偶性，这是理解行列式符号的关键。

n阶行列式的定义可以这样读：取不同行、不同列的 n 个元素相乘，列标排列按自然顺序递归展开时，每一项的符号由列标排列的逆序数决定，即带上 (−1)^τ。定义本身不需要逐字死背，但要理解为什么要引入逆序数——因为对换改变奇偶性，使得“交换两行行列式反号”这一性质在定义层面就得到保证。行列式最终算出来的是一个数，而矩阵是一个数表，这两者从定义开始就是不同的对象，后面做题很多人就是在这一点上开始混的。

上三角行列式有一个直接结论：它的值等于主对角线上 n 个元素的乘积。这个命题是行列式计算的第一个降维工具，几乎所有数值型行列式题目的终点都是“把行列式化成上三角，然后对角线相乘”。

3.2 七条性质：一张表串起来

行列式的七条性质是整套计算逻辑的骨架，建议先抄成一张表：

性质 7 是化简的主力，它由性质 3 和性质 5 推出。性质 5 又可由性质 4 得到：两行相同，互换后行列式等于它自身又等于它的相反数，所以只能为 0。注意一个容易出错的对比：在解方程组时，“一行乘以非零系数”是合法行变换且不改变解集；但在行列式中，一行乘以非零系数会让行列式的值扩大相应倍数，正确做法是把公因子提出去，而不是“不变”。这是两个领域规则的分水岭。

这七个性质合并成一种策略：用性质 7 把行列式化成上三角，再用“主对角线乘积”收尾。化上三角的过程里，主元下方的元素全部用行倍加消掉，能不交换行就尽量不交换，因为交换一次就要变一次号。

3.3 按行展开与代数余子式：符号为什么反复错

余子式是划去第 i 行、第 j 列后剩下的 n − 1 阶行列式；代数余子式是在余子式前面乘上 (−1)^(i+j)。按第 i 行展开的公式是：行列式等于第 i 行各元素与对应代数余子式乘积之和。另一个经常被忽略的定理是：第 i 行元素与第 j 行（j ≠ i）相应元素的代数余子式乘积之和等于 0。前一条用于计算，后一条用于证明，两者往往搭配出现。

按行展开最大的错误来源是符号。很多人划掉行列后忘了 (−1)^(i+j)，尤其当 i + j 是奇数时，整个项的符号直接反了。建议做题时先在纸边标出每个位置的符号棋盘，再写代数余子式表达式。范德蒙行列式是展开法的高频应用：相邻两行相减，第 k + 1 行减去第 k 行，可以逐列转化为相邻元素差的形式，最终写成连乘积。

可以用一段短代码验证三阶行列式的计算：

import numpy as np A = np.array([ [1, 4, 2], [3, 5, 1], [2, 1, 6] ]) print(np.linalg.det(A))

这段代码调用 numpy 的np.linalg.det函数求行列式，输出 −49，与按第一行展开的手算结果一致。做大量计算练习时，先用程序跑一遍再手算，能快速区分“思路错”和“算错”，而不是在同一个地方反复对答案。

3.4 克莱姆法则与按k行展开

克莱姆法则的条件先说清楚：数域上 n 个方程、n 个未知数的线性方程组，系数行列式不等于 0，则有唯一解，每个未知量的值等于把系数矩阵的对应列替换为常数项后所得行列式除以系数行列式。注意它只适用于方阵，且系数行列式必须非零；长方形方程组不能套用。

对推论应该更敏感：n 个方程、n 个未知数的齐次线性方程组只有零解，当且仅当系数行列式不为 0；有非零解，当且仅当系数行列式等于 0。这个结论直接通向第三章的“解空间维数”——系数行列式为 0 时，齐次方程组才有基础解系可言。

按 k 行展开的拉普拉斯定理是按一行展开的推广：在 n 阶行列式中取定 k 行，所有 k 阶子式与对应代数余子式乘积之和等于原行列式。它适合处理分块行列式，常见于进阶题目和部分考试压轴题，一般复习阶段掌握到“知道这个定理存在、会用在分块结构上”即可。习题里常出现的是含参行列式何时为 0 的问题，例如推导出“a = 1 或 b = 0”这类条件，本质上都是在用行列式为零做判别。

4. 线性空间：从向量到基、维数、解空间的一条龙

4.1 线性空间八条法则与子空间判别

线性空间的定义框架是：非空集合 V 配合一个数域 K，在 V 上定义了加法，在 K 与 V 之间定义了数乘，并且满足八条运算法则。这八条不必逐字背诵，但要能判断“给一个集合和运算，它是不是线性空间”。整理成两类更好记：加法四条——交换律、结合律、零元存在、负元存在；数乘四条——结合律、分配律（数乘对向量加法）、分配律（数乘对数加法）、单位元作用。做题时最常犯的错是只验证封闭性，忽略结合律和分配律——尤其当集合里的“加法”不是普通向量加法时，分配律很容易出问题。

子空间判别定理非常轻便：非空子集 W 是子空间的充要条件是对加法和数乘封闭。为什么不需要重新验证八条？因为 W 里的向量本来就属于 V，继承的是 V 的运算，只要封闭，结合律与分配律自动成立。这里最容易被忽略的是“非空”二字，最稳妥的做法是先确认零向量在 W 里。还要记住一个反例：两个子空间的并集通常不是子空间——因为加法不封闭，例如两条坐标轴上的向量分别都属于并集，但 (1, 0) + (0, 1) 不在合并后的集合里。

4.2 线性相关与无关：用方程组而不是背定义

向量组线性相关的定义是存在不全为零的系数，使线性组合等于零向量；线性无关则是只有当系数全为零时才能凑出零向量。理解这个概念的最佳方式是把它翻译成齐次线性方程组：以这些向量为列构造矩阵 A，线性相关等价于齐次方程组 Ax = 0 有非零解；当向量个数等于维数时，又等价于 det(A) = 0。这也是为什么行列式章节要放在线性空间前面——行列式的值直接充当线性相关性的判别工具。

几个常用性质值得反复用：向量组有部分组线性相关，则整体线性相关；线性无关的向量组，任意部分组都线性无关；含零向量的向量组必线性相关；线性相关当且仅当至少有一个向量可以由其余向量线性表出。这里“至少有一个”很容易读成“每一个都可以”，做题时要注意反向思考。另一个重要结论：若一个向量能被一个线性无关的向量组表出，表出方式唯一；若线性相关，则表出方式可能不唯一。

4.3 极大线性无关组、秩、基与维数

极大线性无关组指一个部分组本身线性无关，且添入向量组中任意其余向量后立刻线性相关。向量组的秩就是极大线性无关组所含向量的个数，只含零向量的向量组秩为 0。基的定义更进一步：基是能表出空间中所有向量的线性无关组，维数是基所含向量的个数。有限维线性空间的任意两个基所含向量个数相等，这是“维数”概念站得住脚的根基。

矩阵的秩与向量组秩要能互相翻译：矩阵的行秩等于列秩，统称矩阵的秩；初等行变换不改变矩阵的行秩，也不改变列向量之间的线性相关性。所以“求一个向量组的秩”的通用做法是，把向量按列排成矩阵，做初等行变换化成阶梯形，非零行数就是秩，主元所在列对应原矩阵的列向量构成极大线性无关组。满秩矩阵的秩等于阶数，对 n 阶方阵来说等价于行列式不为 0。

4.4 解空间结构：齐次与非齐次的关系

齐次线性方程组 Ax = 0 的解集 W 不仅仅是解集，它本身是 Kⁿ 的一个子空间，叫解空间。当系数矩阵的秩为 r 时，解空间的维数是 n − r，解空间的一个基就是基础解系。这意味着：基础解系里应该有 n − r 个线性无关的解向量，并且任意一个解都能由它们线性表出。许多人在这一步卡住，是因为没有把“基础解系”和“解空间的一组基”画上等号——它们是同一个东西的两个名字。

非齐次方程组 Ax = b 的结构是这一章的高潮：方程组有解时，解集等于一个特解加上导出组 Ax = 0 的解空间。也就是说，先求出非齐次方程组的一个特解 η，再求出导出组的基础解系 ξ₁, …, ξₙ₋ᵣ，通解就是 η 加上它们的任意线性组合。这个“特解 + 齐次通解”的结构与微分方程中的“特解 + 通解”逻辑一致，理解了它，很多记忆就变成推理。

4.5 子空间运算、维数公式与直和

两个子空间的交集仍然是子空间，两个子空间的和 V₁ + V₂ = {α₁ + α₂ | α₁ ∈ V₁, α₂ ∈ V₂} 也仍然是子空间。维数公式是这一节的核心结论：dim(V₁ + V₂) = dim V₁ + dim V₂ − dim(V₁ ∩ V₂)。它像集合的容斥原理，做题时常常用来反求交空间的维数，因为交空间的基直接构造往往困难，但维数可以通过公式间接得到。

直和是子空间和的一种特殊情形：V 中每个向量都能唯一表示为 V₁ 中向量与 V₂ 中向量之和。判断直和有多个等价条件：零向量的表法唯一；维数满足 dim V₁ + dim V₂ = dim(V₁ + V₂)；V₁ 的一组基与 V₂ 的一组基合起来构成 V 的一组基。这些条件对有限维和无限维都成立，只是无限维时“基合起来”的表述要换成无限集合的对应说法。最后一个重要结论是每个子空间都有补空间，这为后面的投影分解埋下伏笔。

同构映射是这一章的收尾：保持加法与数乘的双射称为同构映射，域上两个有限维线性空间同构的充要条件是维数相等。也就是说，任意 n 维线性空间都“长得像”Kⁿ，研究 n 维空间可以统一地研究 Kⁿ，这是线性空间理论最漂亮的一笔。

5. 易漏易错点：把常见的坑提前踩一遍

5.1 概念层面：三个最容易“想着对但其实是错”的位置

易漏点一：数域必须对四则运算全封闭。定义里写着“对加减乘除封闭”，很多人练习时只验证了加减乘，除法因为要处理分母为 0 的情况，经常被顺手省略。为什么漏？因为乘法的验证和除法很像，但除法还要额外说明除数不为 0 时结果仍在集合里。怎么补？判断数域前先强制问自己三个问题：0 和 1 在不在里面？任意 a、b 的加减乘还在不在里面？b ≠ 0 时 a/b 还在不在里面？三个问题都答“是”才算数域。

易漏点二：行列式与矩阵是两个对象。行列式算出来是一个数，矩阵是一张数表。为什么漏？因为书写形式太像，都是方括号排列的数组，一开始接触时很容易把行列式的值当成矩阵本身。怎么补？看到 |A| 就默念“这是一个数值”，看到 A 就默念“这是一张表”。两者运算规则也不一样：行列式可以两行互换并变号，矩阵初等变换只是过程操作；行列式的乘积与矩阵乘积更不是一回事。

易漏点三：线性相关中的“至少有一个”不等于“每一个”。教材里的结论是线性相关时至少有一个向量可以由其余向量表出，很多人做题时默认成任何一个都可以表出。例如 α₁ = (1, 0)、α₂ = (2, 0)、α₃ = (0, 1)，这个向量组线性相关——因为 α₁ − (1/2)α₂ = 0 找到了非零系数——但 α₃ 并不能由 α₁、α₂ 表出，它不在前两个向量张成的直线上。怎么补？每次判断时先问“存在一个”，再问“是不是所有”，用反例打断自己的惯性。

5.2 计算层面：符号、变换方向与适用条件

易错点一：初等行变换与列变换混用。解线性方程组时，增广矩阵只能做行变换，因为列变换相当于交换未知量顺序，会改变方程与未知量的对应关系。为什么错？因为求矩阵的秩时列变换是被允许的，两种操作在同一章出现，很容易顺手用混。怎么补？在解方程题的草稿纸顶部写“只许行变换”，做完再检查一遍有没有动过列。

易错点二：行列式两行互换忘记反号。性质 4 写着“两行互换，行列式反号”，但实际化简时，很多人为了把某个元素调到主元位置而交换行，却忘了在结果前添一个负号。为什么错？因为初等行变换里“两行互换”是不改变结果的合法操作，行列式里规则变了。怎么补？列出行变换时，每做一次换行，就在旁边画一个负号标记，最后统一清点符号。

易错点三：按行展开漏掉 (−1)^(i+j)。余子式本身没有符号，代数余子式才有。很多人写展开式时，直接拿元素乘余子式，忘了代数余子式前面的符号因子。怎么补？展开第一行的项时，按“正、负、正、负”的节奏依次写符号，而不是每项都临时算一次 i + j。

易错点四：克莱姆法则用在非方阵上。克莱姆法则要求 n 个方程、n 个未知数，且系数行列式不为 0。方阵条件经常被忽略，遇到 2 个方程 3 个未知数的情况也去套用，结果算出一堆无意义的东西。怎么补？使用前先数行数和列数，不是方阵就直接判断“不能用法则”，改用消元法处理。

5.3 用验证代替感觉：一个检查手段

计算型知识点最怕“感觉算对了”。行列式数值题可以先用程序快速验证，再回头用手算检查：

import numpy as np # 二阶行列式验证：a*d - b*c print(1 * 4 - 2 * 3) # 输出 -2 # 三阶行列式验证：使用 numpy 自带函数 A = np.array([ [1, 4, 2], [3, 5, 1], [2, 1, 6] ]) print(np.linalg.det(A)) # 输出 -49，与手算一致

这个技巧特别适合范德蒙行列式的连乘积结果、按行展开的符号检查，以及含参行列式代入具体值后的快速验算。注意程序只能验证数值对错，不能替代证明过程；证明题仍然要一步步来。不过有了这个工具，计算题“翻车”的概率会明显下降。

6. 期末复习清单：按这张表自查，哪里漏补哪里

复习阶段不要从头到尾再把笔记读一遍，效率太低。最好的方式是按模块自查，哪里不确定就回看哪里。

我复习高代时最常翻车的就是符号和适用条件。后来养成了一个习惯：先在白纸上不看书画出“方程组 → 矩阵 → 行列式 → 线性空间 → 线性映射”这条主线，旁边的分支写核心结论；然后动笔做三件事——默写行列式七条性质、写出维数公式和直和的三个等价条件、列举解空间维数 n − r。做完这三件事再去碰题，错误率明显下降。从那以后，我每次复习都强制自己先走一遍“白纸默写主线”的流程，再进入题目。这个方法不需要额外资料，一张 A4 纸就够，但对查漏补缺非常有效。希望帮到你。

本文还有配套的精品资源，点击获取