1 基本定义
1.1 矩阵乘法的概念
矩阵乘法是指两个矩阵按照特定规则组合，生成一个新矩阵的运算。它不是简单地把对应位置的数相乘，而是通过“行与列对应”的方式，把前一个矩阵的每一行与后一个矩阵的每一列进行配对计算。由于这一运算能够自然表达线性关系，因此在代数与应用数学中占有核心地位。
1.2 可乘条件与维数匹配
矩阵乘法对维数有严格要求。若矩阵A是m×n矩阵，矩阵B是n×p矩阵，则A与B可以相乘；若A的列数与B的行数不相等，则乘法无定义。这种匹配条件保证了每一行与每一列之间都能形成有效的内积计算。
1.3 结果矩阵的尺寸
当A为m×n矩阵、B为n×p矩阵时，AB的结果是一个m×p矩阵。也就是说，结果矩阵的行数由前一个矩阵决定，列数由后一个矩阵决定。这个规则在实际计算中非常重要，因为它能够直接判断运算结果的形状。
1.4 标量乘法与矩阵乘法的区别
标量乘法是用一个数去乘矩阵中的每个元素，结果仍是同样大小的矩阵；矩阵乘法则是两个矩阵之间的结构性运算，结果不仅取决于数值，还取决于维数和位置关系。前者本质上是逐项缩放，后者则体现了矩阵所表示的线性关系的组合。
2 计算方法
2.1 行列对应法
行列对应法是矩阵乘法最常见的计算方式。其核心是取前一矩阵的一行，与后一矩阵的一列相乘并求和，从而得到结果矩阵中的一个元素。对所有行列组合重复这一过程，就能构造出整个乘积矩阵。
2.1.1 元素逐项相乘求和
设A的第i行与B的第j列相乘，结果元素记为cij，则cij等于对应位置元素的乘积之和。公式上可写为：cij=∑k aik bkj。这个求和过程本质上是两个向量的点积，因此兼具代数意义与几何意义。
2.1.2 示例计算
例如，若A为2×3矩阵，B为3×2矩阵，则AB为2×2矩阵。左上角元素由A的第1行与B的第1列相乘得到，右下角元素则由A的第2行与B的第2列相乘得到。通过逐项计算可以直观看出，乘积矩阵中的每个数都来自明确的行列配对。
2.2 分块矩阵乘法
分块矩阵乘法是把大矩阵拆分成若干子矩阵后再进行乘法运算的方法。它常用于理论推导、算法设计和大型数据处理，有助于降低表达复杂度，也便于利用结构特征进行优化。
2.2.1 分块划分原则
分块时通常按照维数相容和结构清晰的原则进行。相邻分块的边界应与乘法关系一致，使得各子块之间仍能形成合法的乘积。若划分得当，分块后的计算可直接对应到原矩阵的整体运算。
2.2.2 分块计算规则
分块矩阵相乘时，规则与普通矩阵乘法一致：结果块由对应行块和列块相乘并相加得到。也就是说，块与块之间遵循“行乘列”的结构，只不过单个元素被子矩阵替代。该方法在处理稀疏结构或分层数据时尤其方便。
2.3 向量视角下的计算
从向量角度看，矩阵可以理解为若干行向量或列向量的集合，矩阵乘法则对应这些向量之间的组合运算。这个视角有助于理解乘法为何本质上是线性映射的叠加。
2.3.1 行向量与列向量的组合
矩阵A的每一行可视为一个行向量，矩阵B的每一列可视为一个列向量。AB中的某个元素就是一行与一列的组合结果。通过这种方式，矩阵乘法实际上把两个向量集合按规则配对，形成新的数据结构。
2.3.2 点积与矩阵元素
矩阵乘积中的每个元素都可看作行向量与列向量的点积。点积的结果反映了两个向量在同一方向上的综合程度，因此矩阵乘法不仅是代数运算，也承载着向量相互关系的信息。
3 重要性质
3.1 结合律
矩阵乘法满足结合律，即在维数允许的前提下，(AB)C=A(BC)。这意味着多个矩阵连续相乘时，括号的位置不会改变最终结果。结合律使得线性变换的复合可以灵活安排计算顺序。
3.2 分配律
矩阵乘法对加法满足分配律，即A(B+C)=AB+AC，(A+B)C=AC+BC。该性质说明矩阵乘法能够与加法自然配合，是展开表达式和推导公式的重要基础。
3.3 非交换性
一般情况下，AB不等于BA，这是矩阵乘法最显著的特征之一。即使两个矩阵都能相乘，交换顺序后结果也可能完全不同，甚至维数都不再匹配。非交换性决定了矩阵运算中顺序必须严格保持。
3.4 单位矩阵的作用
单位矩阵在矩阵乘法中扮演类似“1”的角色。若I是与A同阶的单位矩阵，则IA=A，AI=A。它表示“什么都不改变”的线性变换，因此常用于验证推导、构造逆矩阵及表示恒等映射。
3.5 零矩阵与乘法
零矩阵与任意可乘矩阵相乘，结果仍为零矩阵。无论零矩阵位于左侧还是右侧，只要维数相容，乘积都不会产生非零项。这一性质常被用于证明某些矩阵关系或简化运算。
3.6 转置与乘法的关系
矩阵转置与乘法之间存在明确对应关系。通常有(AB)ᵗ=BᵗAᵗ，即乘积转置后，顺序会反过来。这个性质在公式变形、内积推导和对称性分析中非常常见。
4 特殊矩阵的乘法
4.1 方阵乘法
方阵是行数与列数相等的矩阵，因而它们的乘法具有更强的结构性和研究价值。方阵乘法常用于表示同一空间内的线性变换，也便于讨论特征值、可逆性等性质。
4.1.1 同阶方阵的运算
同阶方阵之间可以直接相乘，乘积仍为同阶方阵。由于维数一致，相关运算规则较为统一，适合构造连续变换或复合系统。许多理论结论都以同阶方阵为基本对象。
4.1.2 方阵乘法的特殊现象
方阵乘法中常出现一些特殊现象，例如可交换的方阵并不多见，幂运算则可通过重复相乘定义。某些结构特殊的方阵在乘法下会保持特定形态，这为理论研究和计算优化提供了便利。
4.2 对角矩阵乘法
对角矩阵只有主对角线上的元素可能非零，因此它们相乘时计算通常较为简单。若两个对角矩阵可乘，则结果仍是对角矩阵，且主对角线元素分别相乘即可。这使对角矩阵在缩放变换中十分常见。
4.3 上三角与下三角矩阵乘法
上三角矩阵和下三角矩阵具有清晰的零结构。两个上三角矩阵相乘后仍为上三角矩阵，两个下三角矩阵相乘后仍为下三角矩阵。该封闭性在数值计算和算法设计中非常重要，因为它能够保留原有的结构优势。
4.4 稀疏矩阵乘法
稀疏矩阵中大部分元素为零，乘法计算时可以跳过大量无效项，从而提高效率。实际应用中，稀疏矩阵常见于图结构、网络模型和大型工程计算。针对稀疏性设计的乘法算法，往往比直接按普通方法逐项计算更高效。
5 代数与几何解释
5.1 作为线性变换的复合
矩阵乘法最重要的解释之一，是把它看作线性变换的复合。一个矩阵对应一次变换，两个矩阵相乘则表示先做一次变换，再做另一次变换。乘积矩阵因此记录了连续作用后的整体效果。
5.1.1 变换顺序的含义
在复合变换中，右侧矩阵通常先作用，左侧矩阵后作用。这与普通书写顺序不同，因此在理解和应用时需要特别注意。顺序改变，结果可能完全不同，这也解释了矩阵乘法非交换性的来源。
5.1.2 复合映射表示
若T1和T2分别表示两个线性映射，则它们的复合可由对应矩阵相乘表示。通过乘积矩阵，可以把多个映射合并成一个整体，从而简化描述和计算。这个性质使矩阵成为表达线性系统的标准工具。
5.2 作为坐标变换工具
矩阵乘法也可用于坐标变换。一个向量在不同基底或不同坐标系下的表示，常通过矩阵乘法完成转换。此时，矩阵不仅描述方向和尺度变化，还能编码旋转、拉伸与剪切等操作。
5.3 在几何中的直观意义
从几何上看，矩阵乘法对应多个变换依次施加到图形或向量上。先旋转再拉伸，与先拉伸再旋转，效果通常不同。借助这一运算，可以把复杂图形变化分解为一系列可理解的基本动作。
6 计算规则与常见误区
6.1 维数不匹配问题
最常见的错误之一，是忽略矩阵乘法的维数条件。并非任意两个矩阵都可以相乘，只有前者的列数等于后者的行数时运算才成立。计算前先检查维数，是避免错误的基本步骤。
6.2 乘法顺序的重要性
矩阵乘法中，顺序通常决定结果。把AB写成BA，往往不仅数值不同，连可乘性都可能改变。因此在公式推导、程序实现和手工计算中，都必须严格保持原有顺序。
6.3 容易混淆的逐元素乘法
矩阵乘法常与逐元素乘法混淆。逐元素乘法是对应位置相乘，不涉及行列配对；矩阵乘法则需要对行和列进行求和。二者虽然都使用“乘”这一符号，但定义和用途完全不同。
6.4 计算错误与检查方法
检查矩阵乘法结果时，可以先核对结果尺寸，再逐项验证几个关键元素。若矩阵具有特殊结构，如单位矩阵、零矩阵或对角矩阵，可利用其性质快速排查错误。对于复杂计算，分块处理也有助于减少失误。
7 应用领域
7.1 解线性方程组
矩阵乘法是线性方程组表达与求解的基础。将方程组写成矩阵形式后，可以更清楚地显示系数、未知量与常数项之间的关系。进一步结合消元、逆矩阵或分解方法，能系统地处理多元线性问题。
7.2 线性代数中的矩阵表示法
在线性代数中，矩阵常用来表示线性映射、基变换和复合运算。矩阵乘法则对应映射的连接，使抽象的函数关系变得可计算、可比较。借助这一表示法，许多理论结果可以转化为矩阵恒等式。
7.3 计算机图形学
在计算机图形学中，矩阵乘法用于实现旋转、缩放、平移及投影等变换。多个变换通常通过矩阵相乘合并为一个整体，从而提高渲染效率并简化图形处理流程。三维建模和动画系统中，相关运算尤其常见。
7.4 数据处理与机器学习
矩阵乘法广泛用于数据表示、特征转换和模型计算。大规模数据常被整理为矩阵，算法中的线性层、相关性计算和批量运算也离不开这一工具。它为现代数据处理提供了高效而统一的数学框架。
7.5 图论与网络分析
在图论和网络分析中，矩阵乘法可用于描述路径组合、连接关系和传播过程。邻接矩阵的乘积往往与路径长度或结构联系有关，因此能够帮助研究网络中的可达性与连通特征。该方法在复杂网络建模中应用十分广泛。
8 相关概念
8.1 矩阵加法
矩阵加法是对同型矩阵按对应元素逐项相加的运算。它与矩阵乘法共同构成矩阵代数的基础。两者结合使用时，可以表达更复杂的线性关系。
8.2 矩阵转置
矩阵转置是把矩阵的行与列互换的操作。它与矩阵乘法存在紧密联系，常用于推导对称性、内积恒等式和复合变换关系。
8.3 行列式
行列式是与方阵相关的重要量，常用于判断可逆性、体积变化和线性独立性。虽然它不是矩阵乘法本身，但与乘法性质密切相关，尤其在研究方阵结构时经常联用。
8.4 逆矩阵
逆矩阵是满足AA⁻¹=I且A⁻¹A=I的矩阵。它与矩阵乘法直接相关，是“可逆”概念的核心体现。只有在矩阵满足一定条件时，逆矩阵才存在。
8.5 张量与高阶推广
张量可以看作对矩阵概念的进一步推广，适用于更高维的数据结构与多线性关系。矩阵乘法在某种意义上可视为高阶运算的低维特例，因此常被视为理解张量运算的重要基础。