1 基本概念
线性空间是研究“可加、可乘”的抽象结构的基本对象。它把几何中的箭头、代数中的数表、分析中的函数以及许多其他对象统一到同一框架下，使得不同领域中的问题能够用相同的方法处理。在线性空间中，最核心的是两个运算：向量加法与数乘运算，它们共同决定了空间的基本行为。
1.1 线性空间的定义
线性空间通常由一组元素以及两种运算构成：元素之间可以相加，元素还可以与标量相乘。若这些运算满足特定公理，这组元素便构成一个线性空间。这里的“线性”并不意味着对象本身一定是直线或平面，而是指其运算规律具有代数上的线性特征。
1.1.1 向量加法
向量加法是线性空间中最基本的运算之一。它要求任意两个元素相加后仍属于同一空间，并且满足交换律、结合律等自然规则。加法提供了把两个对象合成为一个对象的方式，也使得“零元素”和“相反元素”的概念得以定义。
1.1.2 数乘运算
数乘运算是指用标量去“缩放”向量空间中的元素。它反映了标量与向量之间的相互作用，例如长度变化、方向保持或反向等现象。数乘必须与加法相协调，才能保证线性空间的结构稳定。
1.1.3 八条公理
线性空间的标准定义通常依赖八条公理，包括加法交换律、加法结合律、零元素存在性、相反元素存在性，以及数乘关于加法和乘法的分配律、结合律、单位元性质等。这些公理并不复杂，但它们共同保证了线性运算能够像普通向量那样良好运行。
1.2 标量域
标量域是线性空间中“数”的来源。线性空间中的每一次数乘，都必须使用某个确定的标量集合。这个集合不仅要能加、能乘，还要满足域的运算规则。
1.2.1 实数域
实数域是最常见的标量域之一。以实数为标量的线性空间广泛出现在几何、工程和物理中，例如平面与空间中的向量运算，通常都建立在实数域之上。
1.2.2 复数域
复数域提供了更丰富的标量系统。许多分析与代数问题在复数域中具有更整齐的结构，尤其是在涉及振动、信号、量子理论等场景时，复数标量显得十分自然。
1.2.3 一般域上的线性空间
线性空间并不局限于实数域或复数域。只要满足域的要求，其他域上也可以定义线性空间，例如有限域上的向量空间在编码理论和离散数学中十分重要。这种推广使线性代数具有更强的普适性。
1.3 向量与标量的角色
在线性空间中，向量和标量分工明确：向量是被研究的对象，标量则是调节这些对象的“数值工具”。二者配合，形成了空间的代数框架。
1.3.1 元素的抽象性
线性空间中的元素并不一定是通常意义上的箭头。它们可以是函数、矩阵、多项式、数列，甚至是更抽象的代数对象。正因为这种抽象性，线性空间成为统一描述多种对象的通用语言。
1.3.2 标量对结构的作用
标量不仅用于缩放元素，还会影响空间的整体结构。例如，不同标量域上同一类对象可能呈现出不同的维数或可分解性质。标量的选择往往决定了研究的深度和方法。
2 典型例子
线性空间的理论价值很大程度上体现在其丰富的例子中。不同类型的对象，只要满足公理，就可以成为线性空间的成员。这些例子帮助人们理解抽象定义，也展示了线性代数的广泛适用性。
2.1 几何向量空间
几何向量空间是线性空间最直观的模型。它通常用来描述方向和长度，具有明显的几何意义，因此常作为初学者理解线性空间的起点。
2.1.1 平面向量空间
平面向量空间由二维平面中的向量构成。向量可以用坐标表示，常见的加法和数乘都具有清晰的几何解释，例如平移、拉伸和反向。它是解析几何中的基础对象之一。
2.1.2 三维向量空间
三维向量空间是对平面情形的自然推广。它描述空间中的方向与位移，广泛用于物理建模和三维几何分析。虽然直观上更接近现实空间，但其代数结构与其他线性空间并无本质区别。
2.2 函数空间
函数空间中的元素是函数本身，而不是函数值。这类空间在分析学中十分重要，因为许多函数可以按线性规则进行组合，从而形成完整的线性结构。
2.2.1 连续函数空间
连续函数空间由定义在某一区间上的连续函数构成。两个连续函数相加仍连续，连续函数乘以标量后也仍连续，因此它自然形成线性空间。这类空间在微积分与逼近理论中具有重要作用。
2.2.2 多项式函数空间
多项式函数空间由所有多项式组成。它的结构清晰，便于研究基、维数和线性变换等概念。由于多项式在插值、数值计算和代数方程中经常出现，这一空间具有很强的代表性。
2.3 矩阵空间
矩阵也可以构成线性空间。矩阵加法和数乘都遵循逐项规则，因此在合适的范围内，矩阵集合可以直接作为向量空间研究。
2.3.1 同型矩阵构成的空间
所有同型矩阵，即行数和列数都相同的矩阵，能够组成线性空间。例如全体 \(m \times n\) 矩阵在实数域或复数域上都构成线性空间。这个例子在矩阵理论和线性方程组中极其常见。
2.3.2 特殊矩阵子空间
一些满足附加条件的矩阵集合也构成子空间，例如对称矩阵、上三角矩阵或迹为零的矩阵。这些特殊矩阵空间常用于简化计算，也常出现在几何与物理模型中。
2.4 数列与序列空间
数列同样可以作为线性空间的元素。把每个数列看成一个无限维对象后，就能研究其整体的线性性质。
2.4.1 有界数列空间
有界数列空间由所有有界数列组成。若两个数列都被某个常数控制，则它们的和及数乘结果仍然有界，因此该集合形成线性空间。
2.4.2 收敛数列空间
收敛数列空间由所有收敛数列构成。收敛性在极限理论中非常重要，而收敛数列在加法与数乘下仍保持收敛，这使其成为分析中的重要例子。
3 子结构与生成
线性空间不仅关心整体结构，也关注其中的局部结构和生成方式。子空间、线性组合和张成空间等概念，是理解空间内部组织形式的关键。
3.1 子空间
子空间是线性空间中的“封闭部分”，它本身也满足线性空间的公理。研究子空间可以帮助人们理解一个大空间如何由若干较小部分构成。
3.1.1 子空间判定
判断一个集合是否为子空间，通常只需检查它是否对加法和数乘封闭，并且是否包含零向量。若这些条件成立，该集合便可以独立成为一个线性空间。
3.1.2 交与和
两个子空间的交仍是子空间，因为它保留了双方共同拥有的线性性质。它们的和则表示由两者元素相加得到的集合，也常用于描述空间的组合结构。
3.2 线性组合
线性组合是把若干向量按标量加权后再相加的结果。这是线性空间中最基本的构造方式之一，几乎所有后续概念都与线性组合密切相关。
3.2.1 有限线性组合
有限线性组合指只涉及有限多个向量的组合形式。由于线性空间中的运算通常基于有限次加法与数乘，因此有限线性组合构成了最常用的研究对象。
3.2.2 生成子空间
由若干向量的全部线性组合所形成的集合，称为它们生成的子空间。这个子空间包含所有可以由给定向量“拼出来”的元素，是描述生成关系的标准方式。
3.3 张成空间
张成空间是对“生成”概念的另一种表达，强调由某个集合所能覆盖的全部线性结构。它在理论与应用中都十分关键。
3.3.1 生成集
生成集是指其线性组合能够覆盖整个目标空间的集合。一个空间往往可以由多个不同的生成集表示，其中有些较大，有些则更简洁。
3.3.2 最小包含子空间
对于任意给定集合，都存在一个包含它的最小子空间，通常就是由该集合张成的空间。它体现了“从局部元素到整体结构”的最基本过程。
4 基与维数
基与维数是线性空间理论中的核心内容。它们用于衡量空间的复杂程度，并决定空间中元素的表达方式是否唯一。
4.1 线性无关
线性无关描述的是一组向量之间是否存在冗余。如果某个向量不能由其余向量线性表示，这组向量就更接近于“独立信息”的集合。
4.1.1 定义与判定
若一组向量的线性组合只有在所有系数都为零时才得到零向量，则称它们线性无关。判定时常通过方程组、行列式或矩阵秩等工具完成。
4.1.2 线性相关的性质
线性相关意味着这组向量中至少有一个可以由其他向量表示。这样的集合含有重复信息，因此在构造基时往往需要删除相关向量，以提高表达效率。
4.2 基
基是一组既线性无关又能生成整个空间的向量。它提供了空间的“坐标骨架”，使任意向量都能用统一方式表示。
4.2.1 基的存在性
在有限维空间中，通常总能找到基。通过不断剔除冗余向量、保留必要向量，可以从生成集逐步得到一组基。
4.2.2 基的唯一表达性
一旦选定基，空间中的每个向量都可以唯一表示为基向量的线性组合。这种唯一性是坐标表示和矩阵计算成立的基础。
4.3 维数
维数用来描述线性空间中基的元素个数。它是衡量空间“大小”的重要指标，也是分类线性空间时最常见的参数之一。
4.3.1 有限维空间
若一个空间存在有限个向量组成的基，则称其为有限维空间。多数经典线性代数问题都发生在这一范围内，计算上也较为可控。
4.3.2 无限维空间
若任何基都含有无限多个向量，则该空间为无限维空间。函数空间、数列空间等常见例子都属于这一类，其结构通常更复杂。
4.3.3 维数公式
维数公式反映了子空间之间维数、交集和和空间之间的关系。它能够帮助分析空间分解、线性方程组及线性映射的整体结构。
5 线性映射
线性映射是在线性空间之间保持线性结构的函数。它把一个空间中的向量按照线性规则映到另一个空间，是连接不同线性空间的桥梁。
5.1 线性变换的定义
线性变换要求映射同时保持加法与数乘结构。只要这种保持性成立，空间之间的大量代数性质便可以被转移和比较。
5.1.1 保加法
若映射满足 \(T(x+y)=T(x)+T(y)\)，则它保留加法结构。这意味着先相加再映射，与先分别映射再相加，结果相同。
5.1.2 保数乘
若映射满足 \(T(ax)=aT(x)\)，则它保留数乘结构。这表明线性变换不会破坏标量对向量的缩放关系。
5.2 核与像
核与像是研究线性映射时最重要的两个子空间。它们分别描述映射“消失掉的部分”和“真正到达的部分”。
5.2.1 核空间
核空间由所有被映到零向量的元素组成。它反映了映射的退化程度，也常用于判断方程是否有非零解。
5.2.2 像空间
像空间由所有能作为映射结果出现的向量组成。它刻画了线性映射的输出范围，是判断映射是否满射的重要依据。
5.3 矩阵表示
在线性空间中，线性映射常可通过矩阵来表示。矩阵提供了可计算的形式，使抽象映射转化为具体的数表运算。
5.3.1 线性映射与矩阵
在选定基之后，线性映射可以由矩阵完全描述。矩阵的列向量通常对应基向量的像，因此矩阵与线性变换在本质上是等价的表示方式。
5.3.2 基变换下的表示
当改变基时，同一个线性映射的矩阵表示也会改变，但映射本身不变。基变换公式说明了不同坐标系统之间的对应关系，是坐标几何和计算代数中的重要工具。
6 重要定理
线性空间理论之所以完备，很大程度上依赖若干基本定理。这些定理揭示了加法、数乘、维数和直和分解之间的深层联系。
6.1 交换与分配性质
线性空间的结构建立在一系列运算规律之上，其中最基础的就是交换和分配性质。这些性质让加法与数乘能够稳定组合。
6.1.1 加法群结构
在线性空间中，向量的加法构成一个交换群。也就是说，向量相加满足交换、结合、单位元和逆元等规则，这为整个理论提供了代数基础。
6.1.2 数乘的结合律
数乘满足结合律，即标量的乘法与向量数乘可以按照一致方式嵌套。这个性质保证了多重缩放不会产生歧义。
6.2 维数相关定理
维数定理把空间大小、子空间结构以及线性映射联系起来，是线性代数中最具统摄性的结论之一。
6.2.1 秩-零化度定理
秩-零化度定理指出，线性映射的定义域维数等于核的维数与像的维数之和。它将“丢失了多少”和“保留了多少”统一在一个公式中。
6.2.2 扩张定理
扩张定理说明，线性无关组可以扩充为基，子空间中的基也可以扩充为整个空间的基。它在构造基与分析空间分解时非常有用。
6.3 直和分解
直和分解是将一个空间拆分为若干互不重叠部分的方法。它有助于把复杂问题分解成多个更简单的子问题。
6.3.1 内直和
内直和描述的是一个空间内部若干子空间的直接拼合。如果这些子空间除了零向量外没有公共元素，并且它们的和覆盖整个空间，就可以形成内直和。
6.3.2 外直和
外直和是把若干线性空间按组合作成一个新空间的方式。它在构造复合空间和比较不同空间结构时十分常见。
7 进阶主题
在线性空间的基础理论之上，还可以进一步引入更多结构，使研究对象更具几何性、分析性与代数性。这些内容通常出现在更高阶的线性代数、泛函分析与代数体系中。
7.1 内积空间的引入
内积为线性空间添加了“长度”和“角度”的概念，使得抽象空间获得几何解释。它把纯代数结构推进到带有度量意义的层面。
7.1.1 内积与范数
内积可以诱导出范数，用来衡量向量的长度或大小。由此，空间中的元素不再只是可加可乘的对象，还能被比较“远近”和“大小”。
7.1.2 正交性
正交性是内积空间中的核心概念之一。两个向量若内积为零，通常称为正交，它在分解、投影和最小二乘等问题中都很重要。
7.2 商空间
商空间通过把某个子空间中的差异“压缩”为同一类，构造出新的线性空间。它常用于简化结构和处理等价关系。
7.2.1 等价类构造
在商空间中，原空间的元素按照某个子空间划分为若干等价类。每个等价类代表一组彼此只差一个子空间元素的向量。
7.2.2 自然映射
自然映射把原空间中的元素送到其对应的等价类中。它是商空间构造中的基本工具，具有典型的线性特征。
7.3 双线性与多线性结构
双线性与多线性结构是对线性概念的进一步扩展。它们处理多个变量同时线性变化的情形，在更高阶代数和几何中很常见。
7.3.1 双线性映射
双线性映射在每个变量上分别保持线性。它既体现了线性运算的稳定性，也为后续讨论内积、矩阵形式和张量结构提供了基础。
7.3.2 张量的初步概念
张量可以看作多线性结构的进一步抽象，用于统一描述多方向、多参数的代数对象。它在现代数学中用途广泛，但其核心思想仍然建立在线性空间及其多线性扩展之上。