简介：这份资源是《Linear Algebra with Applications》第十版的全球版电子书，由 Steven J. Leon 与 Lisette de Pillis 合著，Pearson 出版，面向高校数学、工程、计算机等专业修读线性代数课程的学生与教师，也适合需要系统复习或自学该学科的自学者。全书共8章、556页，内容覆盖 LACSG 推荐的全部主题，并配有大量新增习题与应用案例，每章末还设有 MATLAB 综合练习，便于借助技术手段理解抽象概念。资源包内仅含1个 PDF 文件，大小约 6.69MB，轻量便携，适合在电脑、平板或手机上随时查阅。目前已有 1055 人学习下载，说明该版本在中文读者中具有一定认可度。对于希望夯实矩阵运算、向量空间、特征值等核心知识，并借助应用实例与编程练习提升解题能力的读者，这份教材能提供完整而扎实的学习支撑。

1. 从 556 页到 8 章：这份线性代数教材到底适合谁啃

如果你正在找一本能把矩阵、向量空间、特征值、奇异值分解串成一条线的教材，又不想被纯数学证明绕晕，那这份《Linear Algebra with Applications》第 10 版值得放进你的书单。全书 8 章、556 页，作者是 Steven J. Leon 和 Lisette de Pillis，定位很明确：给非数学专业的高年级本科生和工科研究生用，强调应用和计算，而不是把定理证明堆到天花板。它覆盖了 LACSG（线性代数课程研究组）推荐的全部核心主题，每章末尾还配了 MATLAB 练习，这一点对做工程的人来说比多几个定理有用得多。适合谁？适合已经学过微积分、想补线性代数底子的人，也适合做图像处理、信号分析、机器学习时发现矩阵运算不够用、需要回头系统补课的人。不适合谁？如果你要的是纯代数证明训练，这本书的深度不够；如果你连矩阵乘法都没碰过，前两章会有点吃力。

2. 第 1 到 3 章：矩阵消元、行列式与向量空间怎么串起来

2.1 从线性方程组到行阶梯形：手算和 MATLAB 怎么配合

第 1 章从线性方程组讲起，核心是高斯消元。书里把行阶梯形、矩阵算术、初等矩阵、分块矩阵放在同一章，逻辑是：先让你会解方程，再让你理解解方程背后的矩阵操作。我一般建议读者不要跳过 1.2 节的行阶梯形，因为后面求逆、求秩、判断线性无关，全靠这个基本功。

手算部分，书里给的是标准消元流程。但真正干活时，你不可能手算 5×5 以上的矩阵。书里每章末尾的 MATLAB 练习就是干这个的。比如第 1 章的 MATLAB 练习会让你用rref求行最简形，用rank判断秩，用inv求逆。下面这段代码是我自己复现第 1 章习题时常用的模板：

% 定义系数矩阵 A 和右端向量 b A = [2 -1 1; 1 3 -2; 3 1 1]; b = [4; 1; 6]; % 构造增广矩阵 Aug = [A b]; % 求行最简形，观察解的结构 R = rref(Aug); disp('行最简形：'); disp(R); % 判断秩，确定解的情况 rankA = rank(A); rankAug = rank(Aug); if rankA < rankAug disp('无解'); elseif rankA == rankAug && rankA < size(A,2) disp('无穷多解'); else disp('唯一解'); end

这段代码的逻辑很直接：先把增广矩阵做行最简形，然后比较系数矩阵和增广矩阵的秩。参数说明：A是系数矩阵，b是右端项，Aug是增广矩阵。rref返回行最简形，rank返回矩阵的秩。注意，浮点运算下rank用的是奇异值分解，默认容差是max(size(A)) * eps(norm(A))，所以如果矩阵元素量级差异很大，秩的判断可能和手算不一致。这是第一个坑，后面避坑章节会细说。

2.2 行列式与向量空间：为什么第 2、3 章不能跳

第 2 章讲行列式，篇幅不大，但 2.2 节的行列式性质是后面特征值、可逆性判断的基础。书里没有把行列式当成纯计算工具，而是用它来引出克拉默法则和面积体积的几何意义。如果你做的是图形学或者坐标变换，这部分值得细看。

第 3 章是向量空间，从定义、子空间、线性无关、基与维数，一路讲到行空间和列空间。这一章是全书的分水岭：前面是计算，后面是结构。3.4 节的基与维数、3.6 节的行空间与列空间，直接决定了你后面能不能理解线性变换的矩阵表示和特征值分解。

我一般会建议读者在第 3 章停下来，用 MATLAB 把几个典型子空间画出来。比如下面这段代码，用来验证一个向量是否在矩阵的列空间里：

% 定义矩阵 A 和待验证向量 v A = [1 2 3; 4 5 6; 7 8 9]; v = [1; 2; 3]; % 方法一：判断增广矩阵的秩是否等于 A 的秩 if rank([A v]) == rank(A) disp('v 在 A 的列空间中'); else disp('v 不在 A 的列空间中'); end % 方法二：用最小二乘残差判断 x = A \ v; residual = norm(A*x - v); if residual < 1e-10 disp('v 在列空间中（残差接近零）'); else disp('v 不在列空间中，残差为：'); disp(residual); end

逻辑说明：方法一用秩判断，理论上是精确的，但浮点运算下rank的容差会影响结果。方法二用最小二乘解，残差接近零说明向量在列空间中。参数说明：A \ v是 MATLAB 的左除，等价于最小二乘解。norm是二范数。注意，当A是病态矩阵时，残差可能看起来很小但实际不在列空间中，这时候要结合条件数判断。

第 3 章的 MATLAB 练习里还有基变换、坐标变换的题目，建议至少做一遍 3.5 节的练习，因为后面第 4 章线性变换的矩阵表示会反复用到。

3. 第 4 到 6 章：线性变换、正交性与特征值分解的实战路径

3.1 线性变换的矩阵表示：从几何直观到相似矩阵

第 4 章讲线性变换，核心是 4.2 节的矩阵表示和 4.3 节的相似性。书里的讲法是：先给定义和例子，再讲矩阵表示，最后讲相似。这个顺序对工程读者很友好，因为你可以先理解旋转、缩放、投影这些几何操作，再去看它们在矩阵上怎么表示。

相似矩阵这一节，书里用了不少篇幅讲对角化。但真正干活时，你更关心的是：给定一个线性变换，怎么找到一组基让它变成对角矩阵。这就是特征值分解的前奏。第 4 章的 MATLAB 练习里有一个题目是构造旋转矩阵并验证其特征值，这个练习直接连到第 6 章。

我一般会这样复现：

% 定义二维旋转矩阵，旋转角为 theta theta = pi/4; R = [cos(theta) -sin(theta); sin(theta) cos(theta)]; % 求特征值和特征向量 [V, D] = eig(R); disp('特征向量矩阵 V：'); disp(V); disp('特征值对角矩阵 D：'); disp(D); % 验证 R*V = V*D err = norm(R*V - V*D); disp(['验证误差：', num2str(err)]);

逻辑说明：eig返回特征向量矩阵V和特征值对角矩阵D。对于旋转矩阵，特征值通常是复数，因为旋转没有实特征向量。参数说明：theta是旋转角，R是旋转矩阵。注意，eig返回的特征向量是归一化的，但符号可能和手算不同，这是正常的。

3.2 正交性与最小二乘：第 5 章的工程价值

第 5 章讲正交性，从内积、正交子空间、最小二乘，一路讲到 Gram-Schmidt 正交化和正交多项式。这一章是全书应用价值最高的章节之一。最小二乘问题在信号处理、曲线拟合、机器学习里到处都是，而 Gram-Schmidt 是 QR 分解的基础。

书里 5.3 节的最小二乘讲得很细，包括正规方程和 QR 分解两种解法。我一般会建议读者两种都实现一遍，因为正规方程在条件数大时会翻车，而 QR 分解更稳。下面是用 MATLAB 复现的对比：

% 构造一个病态的最小二乘问题 t = (0:0.01:1)'; A = [t.^0 t.^1 t.^2 t.^3]; % 四次多项式拟合 b = sin(2*pi*t) + 0.1*randn(size(t)); % 方法一：正规方程 x_normal = (A'*A) \ (A'*b); % 方法二：QR 分解 [Q, R] = qr(A, 0); x_qr = R \ (Q'*b); % 比较残差 res_normal = norm(A*x_normal - b); res_qr = norm(A*x_qr - b); disp(['正规方程残差：', num2str(res_normal)]); disp(['QR 分解残差：', num2str(res_qr)]); % 比较条件数 cond_AtA = cond(A'*A); cond_A = cond(A); disp(['A''*A 条件数：', num2str(cond_AtA)]); disp(['A 条件数：', num2str(cond_A)]);

逻辑说明：正规方程直接解A'*A*x = A'*b，但A'*A的条件数是A的条件数的平方，所以病态问题下误差会被放大。QR 分解先分解A = Q*R，再解R*x = Q'*b，数值稳定性更好。参数说明：qr(A, 0)返回经济型 QR 分解，Q是正交矩阵，R是上三角矩阵。cond返回条件数。注意，当A的列数远大于行数时，经济型 QR 更省内存。

3.3 特征值与奇异值分解：第 6 章的核心工具

第 6 章是全书的重头戏，从特征值、特征向量讲到对角化、Hermitian 矩阵、奇异值分解、二次型、正定矩阵、非负矩阵。这一章的内容量很大，但工程上最常用的就是特征值分解和奇异值分解。

奇异值分解（SVD）在 6.5 节，书里讲得比较理论，但 MATLAB 练习里有很多应用。我一般会建议读者用 SVD 做图像压缩的练习，因为效果直观，而且能帮你理解奇异值的物理意义。下面是一个简化的图像压缩示例：

% 读取图像并转为灰度 img = imread('cameraman.tif'); img = double(img); % 做奇异值分解 [U, S, V] = svd(img); % 只保留前 k 个奇异值 k = 50; S_k = S; S_k(k+1:end, k+1:end) = 0; % 重构图像 img_compressed = U * S_k * V'; % 计算压缩比和误差 compression_ratio = (numel(img)) / (numel(U(:,1:k)) + k + numel(V(:,1:k))); reconstruction_error = norm(img - img_compressed, 'fro') / norm(img, 'fro'); disp(['压缩比：', num2str(compression_ratio)]); disp(['重构误差：', num2str(reconstruction_error)]); % 显示原图和压缩图 subplot(1,2,1); imshow(uint8(img)); title('原图'); subplot(1,2,2); imshow(uint8(img_compressed)); title(['压缩图 k=', num2str(k)]);

逻辑说明：SVD 把图像分解成U*S*V'，其中S是对角矩阵，对角线上的奇异值从大到小排列。只保留前k个奇异值，就能用很少的数据近似原图。参数说明：k是保留的奇异值个数，compression_ratio是压缩比，reconstruction_error是相对误差。注意，imread读入的图像是uint8类型，做 SVD 前要转成double，否则会出错。

第 6 章的 MATLAB 练习里还有正定矩阵判断、二次型化简的题目，建议至少做一遍 6.7 节的练习，因为正定矩阵在优化里太常见了。

4. 第 7 到 8 章：数值线性代数与 Jordan 标准形的边界

4.1 浮点数、高斯消元与主元策略：第 7 章的数值视角

第 7 章讲数值线性代数，从浮点数、高斯消元、主元策略，讲到矩阵范数、条件数、正交变换、特征值问题、最小二乘、迭代法。这一章是全书最贴近工程实践的部分，也是很多读者容易忽略的部分。

7.1 节的浮点数讲的是 IEEE 754 标准，书里用几个例子说明了舍入误差的累积效应。7.3 节的主元策略讲的是部分主元法和完全主元法，这部分直接决定了你写的高斯消元代码稳不稳。我一般会建议读者自己实现一遍带部分主元的高斯消元，然后和 MATLAB 的\对比：

function x = gauss_elim(A, b) % 带部分主元的高斯消元 n = size(A, 1); Aug = [A b]; for k = 1:n-1 % 选主元 [~, idx] = max(abs(Aug(k:n, k))); idx = idx + k - 1; if idx ~= k Aug([k idx], :) = Aug([idx k], :); end % 消元 for i = k+1:n factor = Aug(i, k) / Aug(k, k); Aug(i, k:n+1) = Aug(i, k:n+1) - factor * Aug(k, k:n+1); end end % 回代 x = zeros(n, 1); x(n) = Aug(n, n+1) / Aug(n, n); for i = n-1:-1:1 x(i) = (Aug(i, n+1) - Aug(i, i+1:n) * x(i+1:n)) / Aug(i, i); end end

逻辑说明：这段代码实现了带部分主元的高斯消元。主元选择是找当前列绝对值最大的元素，然后交换行。消元时用factor乘以主元行，再从当前行减去。回代从最后一行开始。参数说明：A是系数矩阵，b是右端项，Aug是增广矩阵。注意，这段代码没有做尺度化，如果矩阵元素量级差异很大，主元选择可能不是最优的。

7.4 节的条件数是数值线性代数的核心概念。条件数越大，矩阵越病态，解的误差对输入扰动越敏感。书里给了条件数的定义和估计方法，但真正干活时，你直接用 MATLAB 的cond就行。

4.2 Jordan 标准形：第 8 章的理论边界

第 8 章讲 Jordan 标准形，从幂零算子讲到 Jordan 分解。这一章是全书最理论的部分，工程上直接用到的机会不多，但如果你要做微分方程组的解析解，或者理解矩阵的相似分类，这部分是绕不开的。

书里 8.1 节的幂零算子讲得比较抽象，8.2 节的 Jordan 标准形给了构造方法。我一般会建议读者至少理解 Jordan 块的结构，以及为什么不是所有矩阵都能对角化。MATLAB 没有直接计算 Jordan 标准形的函数，因为数值上不稳定。如果你真的需要，可以用符号工具箱：

% 定义符号矩阵 A = sym([1 1 0; 0 1 0; 0 0 2]); % 计算 Jordan 标准形 [V, J] = jordan(A); disp('Jordan 标准形 J：'); disp(J); disp('变换矩阵 V：'); disp(V); % 验证 A*V = V*J err = simplify(A*V - V*J); disp('验证误差：'); disp(err);

逻辑说明：jordan是符号工具箱的函数，返回 Jordan 标准形J和变换矩阵V。参数说明：A是符号矩阵，V是广义特征向量矩阵。注意，符号计算很慢，而且对病态矩阵不适用。数值计算里，一般用 Schur 分解代替 Jordan 分解。

第 8 章的 MATLAB 练习不多，但如果你要做理论推导，这部分值得细看。

5. 避坑与排查：用这份教材时最容易翻车的五个地方

5.1 秩的判断：浮点容差导致的玄学结果

现象：用rank判断矩阵的秩，手算结果是 2，MATLAB 返回 3。原因：rank基于奇异值分解，默认容差是max(size(A)) * eps(norm(A))。如果矩阵元素量级差异很大，或者矩阵接近奇异，容差会影响判断。解决：手动指定容差，比如rank(A, 1e-10)，或者先用cond看条件数，条件数大于 1e12 时就要小心。

5.2 最小二乘：正规方程在病态问题下翻车

现象：用正规方程解最小二乘，残差比 QR 分解大好几个量级。原因：A'*A的条件数是A的条件数的平方，病态问题下误差被放大。解决：优先用 QR 分解，或者直接用 MATLAB 的左除A \ b，MATLAB 会根据矩阵形状自动选择算法。

5.3 特征值：复数特征值的物理意义

现象：求旋转矩阵的特征值，得到复数，不知道什么意思。原因：旋转没有实特征向量，特征值是复数，对应旋转的角频率。解决：理解复数特征值对应振荡或旋转，实部是衰减/增长因子，虚部是频率。如果只需要实特征值，检查矩阵是否对称，对称矩阵的特征值都是实数。

5.4 SVD 图像压缩：k 值选择与误差权衡

现象：SVD 压缩图像，k 取太小，图像模糊；k 取太大，压缩比不够。原因：奇异值衰减速度决定了压缩效果，衰减越快，越小的 k 就能保留大部分信息。解决：画奇异值衰减曲线，找拐点。一般保留前 10% 到 20% 的奇异值就能有不错的压缩比。

5.5 MATLAB 版本差异：函数行为不一致

现象：同样的代码，在实验室电脑上跑得通，在自己电脑上报错。原因：MATLAB 不同版本的函数行为可能不同，比如rref的容差、qr的返回格式。解决：固定 MATLAB 版本，或者在代码里显式指定参数。如果用到工具箱函数，检查工具箱是否安装。

6. 把教材变成工具：我的 MATLAB 练习复现习惯

这份教材最大的价值不在正文，而在每章末尾的 MATLAB 练习。正文讲的是理论，练习才是把理论变成工具的地方。我自己的习惯是：每学完一章，先把 MATLAB 练习做一遍，然后用自己的数据重新跑一遍。比如第 6 章的 SVD 练习，我会用自己的照片代替教材里的示例图像，这样能直观看到奇异值衰减和压缩效果的关系。

另一个习惯是：把每章的 MATLAB 代码整理成一个函数库，后面用到的时候直接调用。比如第 1 章的高斯消元、第 5 章的 Gram-Schmidt、第 6 章的幂法求特征值，这些函数在后面章节会反复用到。整理成函数库后，不仅复习方便，而且能帮你理解不同算法之间的依赖关系。

还有一个技巧：用 MATLAB 的profile工具分析代码性能。比如第 7 章的迭代法，不同迭代策略的收敛速度差异很大，用profile能看到时间花在哪里。下面是一个简单的性能对比：

% 构造一个大型稀疏矩阵 n = 1000; A = gallery('poisson', sqrt(n)); b = ones(n, 1); % 方法一：直接求解 tic; x_direct = A \ b; t_direct = toc; % 方法二：共轭梯度法 tic; x_cg = pcg(A, b, 1e-10, 1000); t_cg = toc; % 比较时间和残差 res_direct = norm(A*x_direct - b); res_cg = norm(A*x_cg - b); disp(['直接求解时间：', num2str(t_direct), ' 秒，残差：', num2str(res_direct)]); disp(['共轭梯度时间：', num2str(t_cg), ' 秒，残差：', num2str(res_cg)]);

逻辑说明：gallery('poisson', sqrt(n))生成泊松矩阵，pcg是预条件共轭梯度法。参数说明：1e-10是容差，1000是最大迭代次数。注意，pcg需要矩阵对称正定，泊松矩阵满足这个条件。如果矩阵不对称，要用bicg或gmres。

从那以后我每次拿到新的线性代数教材，都会先翻到 MATLAB 练习那一页，看看它到底让你算什么。因为理论可以慢慢补，但工具用不起来，学完就忘。希望帮到你。

本文还有配套的精品资源，点击获取