1 概念引入
1.1 从相似变换到规范形式
Jordan 标准形用于把一个方阵通过相似变换“换一种表示方式”，从而使其内部结构更容易看清。相似变换的形式是对给定方阵 \(A\)，选取可逆矩阵 \(P\)，令 \[ J=P^{-1}AP. \] 相似变换不会改变矩阵的本质代数信息（例如特征多项式与相关不变量），但能把 \(A\) 的作用结构整理成分块的对角形式，使得每个块对应于某个特征值的“块状结构”。
Jordan 标准形的目标是：在不丢失代数信息的前提下，把矩阵尽可能简化为由若干 Jordan 块组成的分块对角矩阵。这样一来，关于幂、指数函数等矩阵函数的计算往往能够分解到各个 Jordan 块上处理。
1.2 与特征分解/对角化的关系
对角化是 Jordan 标准形的特例：当矩阵在给定域上拥有足够多的线性无关特征向量时，Jordan 标准形退化为对角矩阵。换句话说，可对角化意味着每个 Jordan 块都是 1×1 的形式。
当出现不可对角化时，Jordan 标准形会揭示其原因：某些特征值虽然存在，但对应的“几何结构”（由特征空间维数刻画）不足以支撑全部所需的基底，于是必须引入广义特征向量，形成非平凡的 Jordan 块。由此，Jordan 标准形把“为什么不能对角化”转化为“哪些块必须更大”。
1.3 适用范围与常见取值域（如复数域）
Jordan 标准形通常在代数闭域上讨论，如复数域 \(\mathbb{C}\)。原因在于：在 \(\mathbb{C}\) 上任意多项式都可分解为线性因子，因此任意方阵都能分解出对应的 Jordan 块。
在一般域上，若特征多项式无法完全分解，则 Jordan 标准形可能需要在扩域中才可实现，或改用更一般的规范形式（例如可分解到不可约因子的情形）。因此，复数域是最常用且最直观的取值域。
2 Jordan 块与结构描述
2.1 Jordan 块的定义
2.1.1 形式化写法（对角线为特征值、上超对角为 1）
给定特征值 \(\lambda\) 与大小为 \(k\) 的 Jordan 块，记作 \(J_k(\lambda)\)。其矩阵形式为 \[ J_k(\lambda)= \begin{pmatrix} \lambda & 1 & 0 & \cdots & 0 \\ 0 & \lambda& 1 & \cdots & 0 \\ \vdots & \ddots & \ddots & \ddots & \vdots \\ 0 & \cdots & 0 & \lambda& 1 \\ 0 & \cdots & \cdots & 0 & \lambda \end{pmatrix}. \] 其中对角线全为 \(\lambda\)，而主超对角线上为 1，其余位置为 0。Jordan 块因此是一种“带有受控耦合的准对角结构”。
2.1.2 零块与分块对角矩阵的组织方式
当方阵的 Jordan 标准形存在多个特征值对应结构时，会形成分块对角矩阵。分块对角意味着不同 Jordan 块之间彼此“隔离”，块与块之间的非对角项为零。
更具体地，Jordan 标准形写成 \[ J=\operatorname{diag}(J_{k_1}(\lambda_1),\,J_{k_2}(\lambda_2),\,\dots), \] 每个块都代表一次“从该特征值导出的链结构”。同一特征值可能对应多个 Jordan 块，它们的大小之和等于该特征值的代数重数。
2.2 Jordan 标准形的存在性
2.2.1 代数重数与几何重数的直观对应
对某特征值 \(\lambda\)，其代数重数指特征多项式中 \((x-\lambda)\) 的幂次；几何重数指特征空间维数 \(\dim\ker(A-\lambda I)\)。
直观上：
- 代数重数越大，说明 \(\lambda\) 在矩阵的代数结构中“出现得更频繁”，需要用更大或更多的 Jordan 块来容纳。
- 几何重数越小，说明真正的特征向量数量不足，于是必须用更长的“广义特征向量链”来补足基底，从而出现尺寸大于 1 的 Jordan 块。
因此，Jordan 块的大小分布能够反映“代数重数如何被特征空间维数拆分成若干链”。
2.3 Jordan 标准形的唯一性（到块的排列为止）
Jordan 标准形在给定域（如 \(\mathbb{C}\)）上是结构意义下唯一的。更准确地说：同一组特征值所对应的 Jordan 块大小多重集是确定的；不同之处只可能来自块的排列顺序。
这种“到块的排列为止”的唯一性，使得 Jordan 标准形可以作为一种可比较、可分类的规范工具：两个矩阵相似当且仅当它们的 Jordan 块结构一致。
3 与特征值/多项式不变量的联系
3.1 特征值分解视角
从特征值出发，Jordan 标准形把矩阵的复杂性分解成若干“特征值层”。每个 Jordan 块的对角元都是某个特征值 \(\lambda\)，因此特征值集合与 Jordan 块出现的位置直接对应。
在此视角下，Jordan 结构描述了不仅有哪些特征值，而且每个特征值“在矩阵中占据的链结构规模”，从而超越了仅知道特征值本身。
3.2 最小多项式与特征分解差异
最小多项式刻画的是“需要多少次多项式作用才能消去矩阵”。与仅由特征值构成的特征分解相比，最小多项式能反映 Jordan 块的最大尺寸信息。
在 Jordan 块存在时，最小多项式的每个不可约因子对应的幂次，通常由与该特征值相关的最大 Jordan 块大小决定。由此，最小多项式与 Jordan 标准形之间形成紧密联系：
- 特征值决定允许的因子；
- Jordan 块大小决定所需的幂次。
因此，当矩阵不可对角化时，最小多项式往往比“把特征值直接相乘得到的多项式”更复杂，体现了非平凡块的存在。
3.3 初等因子与 Jordan 分块的匹配关系
初等因子（可通过 Smith 标准形或等价分解理论获得）提供另一类与矩阵多项式不变量相关的细粒度数据。初等因子的幂次分布能够与 Jordan 分块结构建立对应关系。
直观而言：初等因子的结构汇总了关于 \((A-\lambda I)\) 的可整除性链条信息；而 Jordan 分块又把这种信息落实为“每个特征值对应的链长度”。两者共同描述了“广义特征向量层级”的增长规律，只是表述方式不同：一个偏多项式分解，一个偏基变换后的块结构。
4 构造方法与计算流程
4.1 从广义特征空间出发
4.1.1 广义特征向量的定义与作用
广义特征向量用于处理当 \(A\) 无法提供足够多普通特征向量时的补足需求。对特征值 \(\lambda\)，广义特征向量可通过与 \(A-\lambda I\) 的幂次核相关获得。具体地，向量 \(v\) 若满足 \[ (A-\lambda I)^m v=0 \] 对某个正整数 \(m\) 成立，则 \(v\) 属于与 \(\lambda\) 相关的广义特征空间层级。
广义特征向量的作用在于：它们允许建立与 Jordan 链一致的基底，使得 Jordan 块的上超 1 的结构能够被“链的推进”所解释。
4.1.2 链式结构：从（A-λI）反复作用得到 Jordan 基
Jordan 基可以通过构造“链”得到：选择一个向量作为链的起点或终点，再通过反复作用 \(A-\lambda I\) 观察其像空间层级的变化。
在典型链构造中，一个 Jordan 链长度为 \(k\) 的情形可理解为：经过 \(k-1\) 次作用后仍非零，但经过 \(k\) 次作用后必为零；并且各层之间的对应关系可以组织成 Jordan 块的标准形式。
这种方式的关键是：链的长度与 \((A-\lambda I)\) 幂次核的增长相匹配，从而保证最终得到的分块结构确实对应 Jordan 标准形。
4.2 通过幂次与核空间增长确定 Jordan 块
一种系统的方法是考察对每个特征值 \(\lambda\)，核空间 \[ \ker(A-\lambda I),\quad \ker(A-\lambda I)^2,\quad \ker(A-\lambda I)^3,\ \dots \] 的维数如何随幂次增长。
当幂次从 \(m-1\) 增加到 \(m\) 时，核空间维数的增加量反映了需要新增多少“链的长度至少为 \(m\)”的结构。通过收集这些增长数据，可以恢复 Jordan 块的尺寸分布。
因此，Jordan 块不仅是抽象存在的结果，也能由可计算的线性方程组维数变化推回。
4.3 实用计算注意事项（数值稳定性与符号计算差别）
在符号计算环境中，利用多项式分解与精确算术，Jordan 标准形可以得到严格的块结构；但计算量可能较大，且对矩阵大小敏感。
在数值计算中，直接求 Jordan 形式通常不稳定：由于数值误差会导致特征值聚合、分块边界变得模糊，从而使得“块大小的识别”更难可靠执行。工程实践中常用的替代策略包括使用实 Schur 形式或采用对矩阵函数更稳定的分解途径。若目标是研究系统的定性行为（例如指数增长与幂次因子），往往可以不必显式构造完整 Jordan 形式。
因此，实践中需根据任务选择：
- 要严格结构：倾向符号或高精度方法；
- 要数值可用的行为刻画：倾向稳定的分解与矩阵函数计算路径。
5 应用与延伸
5.1 矩阵函数与可对角化/不可对角化的差别
矩阵函数如 \(f(A)\) 经常通过对 Jordan 块进行“块级”计算。对角化时，每个特征向量对应的部分只需对特征值代入 \(f\) 即可；而在 Jordan 情形下，除了 \(f(\lambda)\)，还会出现导数项（来自幂的叠加与上超结构）。
结果是：不可对角化通常带来额外的多项式因子，导致解的形式从简单指数形式扩展为指数乘以幂次的组合。这正是 Jordan 结构在动力学与微分方程中体现“复杂行为来源”的直接原因。
5.2 线性微分方程组的解结构
对线性常系数微分方程组 \[ \dot{x}=Ax \] 其解形式可写为 \(x(t)=e^{At}x(0)\)。当 \(A\) 可对角化时，\(e^{At}\) 表现为按特征值加权的纯指数叠加。
若 \(A\) 不可对角化，Jordan 块将引入 \(t\) 的多项式因子，使得解的增长或衰减不再只有指数快慢，而是由指数项与幂次项共同决定。这种差别可以通过 Jordan 块大小直接读出：块越大，出现的幂次项次数越高。
5.3 离散线性系统与迭代动力学中的作用
离散系统由迭代给出，例如 \[ x_{n+1}=Ax_n. \] 此时 \(x_n=A^n x_0\)。Jordan 块会影响 \(A^n\) 的增长规律：同一特征值对应的幂次因子会随着 Jordan 块大小而加深，表现为“指数率（由特征值模长决定）”与“多项式修正（由块大小决定）”的耦合。
因此，研究迭代稳定性、吸引/发散速度、以及临界情形（例如特征值模长接近 1 的情形）时，Jordan 结构能提供比仅依赖谱半径更细的解释。
5.4 线性算子在一般有限维空间中的表述（与基变换对应）
Jordan 标准形也可以看作线性算子在有限维向量空间中的“规范化表示”。给定有限维空间上的线性算子 \(T\)，选择一组基底即可得到矩阵表示；换基对应于相似变换。Jordan 标准形等价于：在某种合适的基底下，算子的作用被表示为由 Jordan 块构成的分块结构。
这种基于“算子分解”的观点强调：Jordan 块并非依赖具体坐标，而是反映算子在有限维空间中的内在结构（特征值与广义特征向量链）。因此它既是矩阵理论的工具，也是算子理论的表示理论。