酉空间与埃尔米特矩阵：复数域上的线性代数核心概念详解

学高等代数到第10章“具有度量的线性空间”，很多人前面的欧氏空间明明还顺，一进入酉空间就开始懵。原因很简单：所有东西都从实数换成了复数，内积的定义动了手术，正交、对称、转置全都跟着变，再加上酉变换、埃尔米特变换、正规变换三个概念一起压过来，很容易陷入“每个定义都认识，串不起来”的状态。

这篇东西就是写给正在啃这一章的人，尤其是考研党、需要复矩阵知识的理工科学生。我按自己复习时的思路把这一节重新捋了一遍：先解释为什么复数内积要重新定义，再把酉空间里与欧氏空间对应的结论逐一对照，最后用完整的例题演算把酉变换、埃尔米特变换、正规变换的关系串起来。如果你正被“厄米特矩阵特征值是实数”和“正规矩阵为什么能对角化”这两件事卡住，这篇应该能帮你把逻辑顺过来。

1. 为什么需要酉空间：从实数到复数的一次“升维”

1.1 复数内积为什么不能直接照搬实数配方

实数域上定义内积，我们要求三条：对称性、线性、正定性。到了复数域上，第一条先出问题。

你想，如果在复向量空间里直接定义 [(x,y)=x_1y_1+\cdots+x_ny_n]，那么向量 (x=(1,i)) 自己跟自己的“内积”是 (1\cdot 1+i\cdot i=0)。一个非零向量的“长度平方”居然是零，这完全破坏了正定性。欧氏空间里 (|x|^2=(x,x)>0) 是好用的，你总不希望复数上一套就失效。

所以复数域上的内积必须对第二个变量取共轭，约定

[ (x,y)=x_1\overline{y_1}+x_2\overline{y_2}+\cdots+x_n\overline{y_n}. ]

这样 ((x,x)=|x_1|^2+|x_2|^2+\cdots+|x_n|^2)，每个 (|x_j|^2\ge 0)，非零向量长度平方严格大于零，正定性回来了。代价呢？线性变成“一半线性，一半共轭线性”：对内积第一个变量保持线性，第二个变量提系数时要取共轭，数学上叫共轭双线性。再加上共轭对称性 ((x,y)=\overline{(y,x)})，这就是埃尔米特内积（Hermite内积）。

提示：部分教材把共轭放在第一个变量上，本文统一采用第二变量共轭的约定。考试和阅读教材时先看清这本书的约定，否则所有计算都会差一个共轭符号。

1.2 酉空间与欧氏空间：一张对照表

带上正定埃尔米特内积的复线性空间，就叫酉空间。它本质上是欧氏空间在复数域上的对应物。这一章后面所有内容都可以从这张对照表出发去理解：

这张表不用背，自己推一遍更好。比如“为什么实对称矩阵到复数域对应埃尔米特矩阵而不是对称复矩阵”，就是因为内积里多了共轭，((x,Ax)) 要恒为实数，单靠 (A^T=A) 不够，必须 (A^H=A)。

学这一章最好的心态是：不要把它当全新知识，把它当欧氏空间理论的“复数翻译版”。每个定理都找一找实域里的原型，很多证明套路完全一样，只是把转置换成共轭转置，把实特征值换成熟知的性质。

2. 酉空间里的“新常识”：长度、正交与标准正交基

2.1 范数和距离的计算细节

酉空间里向量长度仍然定义为

[ |x|=\sqrt{(x,x)}=\sqrt{|x_1|^2+\cdots+|x_n|^2}. ]

看起来跟欧氏空间很像，但有一个隐藏的坑：长度平方里的每一项是模长平方，不是直接平方。比如 (x=(1+i,2))，它的长度平方是

[ |1+i|^2+|2|^2=1^2+1^2+4=6, ]

而不是 ((1+i)^2+4=2+2i+4)。长度平方必须是实数，这一性质后面证明埃尔米特矩阵特征值为实数时还会再用到。

两个向量正交的定义照旧：((x,y)=0)。但计算之前必须先确认你用对了共轭。举个具体例子，设 (x=(i,1))，(y=(1,i))，若按第二变量共轭的约定，

[ (x,y)=i\cdot\overline{1}+1\cdot\overline{i}=i\cdot1+1\cdot(-i)=0. ]

所以 (x,y) 正交。如果你忘了给第二个分量 (i) 取共轭，会算成 (2i)，结论就反了。这是这一章最廉价的丢分点，没有之一。

2.2 施密特正交化在酉空间照样跑得通

施密特正交化在酉空间中的公式和实域完全一样，只是每一步的内积都要按复数规则算。我建议你亲手算一个例子，比看十遍公式都管用。

取 (\mathbb C^2) 中两个向量 (\alpha_1=(1,i))，(\alpha_2=(1+i,1))。第一步直接令

[ \beta_1=\alpha_1=(1,i). ]

第二步：

[ \beta_2=\alpha_2-\frac{(\alpha_2,\beta_1)}{(\beta_1,\beta_1)}\beta_1. ]

逐项算：

[ (\alpha_2,\beta_1)=(1+i)\cdot\overline{1}+1\cdot\overline{i} =(1+i)\cdot1+1\cdot(-i)=1. ]

[ (\beta_1,\beta_1)=1\cdot\overline{1}+i\cdot\overline{i}=1+1=2. ]

所以

[ \beta_2=(1+i,1)-\frac12(1,i)=\left(\frac12+i,;1-\frac i2\right). ]

不喜欢分数就整体乘2取 ((\beta_2)'=(1+2i,,2-i))。验证一下正交性：

[ (\beta_1,(\beta_2)')=1\cdot\overline{1+2i}+i\cdot\overline{2-i} =1(1-2i)+i(2+i)=1-2i+2i-1=0. ]

成立。整个流程跟欧氏空间几乎没有区别，唯一要适应的是每次“提系数”都要记得取共轭。标准正交基的求法也照搬：把正交基每个向量除以各自的长度。

实操心得：手动做施密特时，第一轮算完 ((x,\beta_1)) 往往可以整体乘一个复数因子简化后面的书写，只要保证方向不变即可。但简化前务必确认你乘的不是实数而是复数时，后续内积计算要带共轭，别把自己绕晕。

3. 酉变换：保“复长度”的线性变换

3.1 定义与三条等价刻画

酉变换的定义是：设 (U) 是酉空间上的线性变换，如果它保持内积，即

[ (Ux,Uy)=(x,y) ]

对任意 (x,y) 成立，就称 (U) 为酉变换。这个定义最直接，但做题时反而不常用，因为验证任意两个向量太麻烦。教材一般会给出等价条件，我整理成顺手的形式：

1. (U) 保持范数，即 (|Ux|=|x|) 恒成立；
2. (U) 把一组标准正交基变成另一组标准正交基；
3. (U) 在标准正交基下的矩阵 (A) 满足 (A^HA=I)，即 (A) 是酉矩阵。

三条等价性的证明思路是：内积可以用范数恢复（极化恒等式），所以保范数等价于保内积；保内积又推出标准正交基打到标准正交基；反过来，两个标准正交基之间的过渡矩阵自然满足 (A^HA=I)。

理解酉矩阵的核心公式就是

[ A^HA=I. ]

这个式子同时说明：列向量组是标准正交基，行向量组也是标准正交基，而且 (A^{-1}=A^H)。对比实对称矩阵的 (Q^TQ=I)，所谓酉矩阵就是“复数的正交矩阵”。

3.2 特征值与可对角化：模长为什么一定等于1

酉变换的特征值有一个非常显著的特征：模长等于1。设 (Ax=\lambda x)，且 (x\ne0)，两边取范数：

[ |Ax|=|\lambda x|=|\lambda|,|x|. ]

因为 (A) 是酉矩阵，(|Ax|=|x|)，而 (|x|\ne 0)，所以

[ |\lambda|=1. ]

这个结论直观上很好理解：酉变换不改变长度，那么特征方向上的向量被拉伸的倍数必须为1，只能是旋转一个角度。例题我习惯用实平面上的旋转矩阵来看。设

[ A=\begin{pmatrix}\cos\theta & \sin\theta\ -\sin\theta & \cos\theta\end{pmatrix}, ]

它满足 (A^TA=I)，是实正交矩阵，在复数域上当然是酉矩阵。特征多项式是

[ (\cos\theta-\lambda)^2+\sin^2\theta=\lambda^2-2\lambda\cos\theta+1=0, ]

解出 (\lambda=\cos\theta\pm i\sin\theta=e^{\pm i\theta})，模长恰好为1。两个特征值不同，对应的特征向量一个是 ((1,i)^T) 方向，一个是 ((1,-i)^T) 方向，在复内积意义下正交。这也验证了酉空间中一条通用性质：不同特征值对应的特征向量自动正交。证明和实对称矩阵的情况几乎相同：

[ \lambda_1(x_1,x_2)=(Ax_1,x_2)=(x_1,A^Hx_2)=(x_1,A^{-1}x_2)=\frac1{\lambda_2}(x_1,x_2), ]

整理得 ((\lambda_1-\lambda_2^{-1})(x_1,x_2)=0)。因为 (|\lambda_2|=1)，所以 (\lambda_1\ne\lambda_2^{-1})，只能 ((x_1,x_2)=0)。

注意：酉变换在复数域上一定可对角化，但实正交矩阵在实数域未必可对角化。例子里旋转矩阵的实特征值不存在，所以要区分“在 (\mathbb C) 上可对角化”和“在 (\mathbb R) 上可对角化”，这一章默认讨论复空间，一般不对实限制。

4. 埃尔米特变换：复数版的“对称变换”

4.1 伴随变换与埃尔米特矩阵

要定义埃尔米特变换，得先引入伴随变换。给定酉空间上的线性变换 (A)，它的伴随变换 (A^*) 由下面这个恒等式唯一确定：

[ (Ax,y)=(x,A^*y). ]

把矩阵写出来你会发现，(A^) 对应的矩阵就是 (A) 的共轭转置 (A^H=(\overline A)^T)。所以“伴随”就是“共轭转置”在抽象层面上的名字。如果 (A^=A)，就称 (A) 为埃尔米特变换或自伴变换，对应矩阵满足

[ A^H=A. ]

实对称矩阵 (A^T=A) 是它的特殊情形，因为实矩阵的共轭转置就是普通转置。从物理角度理解更直观：量子力学里可观测量的算符——坐标、动量、能量——都要求自伴，就是为了保证它的测量值（特征值）都是实数。

4.2 特征值为实数的证明：两行就能推完

埃尔米特变换最重要的性质是：特征值一定是实数。证明直接上矩阵语言。设 (Ax=\lambda x)，且 (x\ne0)，注意

[ (Ax,x)=(\lambda x,x)=\lambda(x,x). ]

另一方面利用 (A^H=A)：

[ (Ax,x)=(x,A^Hx)=(x,Ax)=(x,\lambda x)=\overline{\lambda}(x,x). ]

两边相等，得到

[ \lambda(x,x)=\overline{\lambda}(x,x). ]

而 ((x,x)>0)，所以 (\lambda=\overline{\lambda})，即 (\lambda) 是实数。

这个证明值得背下来，因为它同时告诉我们为什么二次型 ((x,Ax)) 对埃尔米特矩阵必为实数。这个“实数性”是后续一切讨论的基石，比如惯性定理、正定判别法在复数域上都依赖这一点。

4.3 例：一个二阶埃尔米特矩阵的完整对角化

只看抽象证明不够，我补一个手算例子。设

[ A=\begin{pmatrix}2 & i\ -i & 2\end{pmatrix}. ]

显然 (A^H=\begin{pmatrix}2 & -i\ i & 2\end{pmatrix}=A)？稍等，共轭转置是 (\overline{A}^T=\begin{pmatrix}2 & -i\ i & 2\end{pmatrix})，不是 (A)。这个例子不合格，我换一个。

用

[ A=\begin{pmatrix}2 & i\ -i & 2\end{pmatrix} ]

的共轭转置应该是 (\begin{pmatrix}2 & i\ -i & 2\end{pmatrix})？我们算一遍：(\overline A=\begin{pmatrix}2 & -i\ i & 2\end{pmatrix})，再取转置得 (\begin{pmatrix}2 & i\ -i & 2\end{pmatrix})，恰好等于 (A)。我刚开始写反了，更正：(A) 是埃尔米特矩阵。特征多项式：

[ \det(A-\lambda I)=(2-\lambda)^2-\det\begin{pmatrix}0 & i\ -i & 0\end{pmatrix} ]

注意这里是行列式展开，第二项是 (i\cdot(-i)=1)，所以

[ \det(A-\lambda I)=(2-\lambda)^2-1=\lambda^2-4\lambda+3=(\lambda-1)(\lambda-3). ]

特征值为 1 和 3，确实都是实数。

求 (\lambda=3) 的特征向量，解 [\begin{pmatrix}-1 & i\ -i & -1\end{pmatrix}\begin{pmatrix}x\ y\end{pmatrix}=0]，得 (-x+iy=0)，即 (x=iy)，特征向量取 ((i,1)^T)。再求 (\lambda=1) 的特征向量，解 [\begin{pmatrix}1 & i\ -i & 1\end{pmatrix}\begin{pmatrix}x\ y\end{pmatrix}=0]，得 (x+iy=0)，取 ((-i,1)^T)。验证内积：

[ ((i,1),(-i,1))=i\cdot\overline{(-i)}+1\cdot1=i\cdot i+1=0. ]

正交成立。单位化后得到酉矩阵

[ U=\begin{pmatrix}i/\sqrt2 & -i/\sqrt2\ 1/\sqrt2 & 1/\sqrt2\end{pmatrix}, ]

且

[ U^HAU=\begin{pmatrix}3&0\0&1\end{pmatrix}. ]

注意这个例子里，矩阵不是实对称矩阵，但它的特征值依然是实数。很多人在这一步开始意识到“埃尔米特矩阵就是复数的实对称矩阵”这句话的真正含义。

5. 正规变换：把所有可对角化“好变换”收编

5.1 定义：为什么偏偏要这个条件

酉变换和埃尔米特变换已经足够重要，但教材还要引入正规变换，目的是用一个条件同时涵盖它们，统一处理。定义很简洁：

[ A^A=AA^, ]

即变换与其伴随可交换，矩阵形式是

[ A^HA=AA^H. ]

容易验证：酉矩阵满足 (A^HA=I=AA^H)；埃尔米特矩阵满足 (A^H=A)，所以两边都等于 (A^2)。因此两者都是正规矩阵的特例。另外实对称、实反对称、正交矩阵都是实域上的正规矩阵，所以正规矩阵这个家族比想象中大得多。

那为什么定义了“可交换”这个看似抽象的条件？直觉上的解释是：正规条件限制了变换的“各部分”之间不产生剪切扭曲，使得它的特征向量可以选成正交系。后面第 6 节的例子会看到，一个矩阵既不是埃尔米特也不是酉，但满足正规条件，照样可以酉对角化。

5.2 舒尔上三角化与谱定理：从三角到对角的临门一脚

正规矩阵可酉对角化，这是本章最核心的定理，也叫谱定理。证明的常规路径是先引用舒尔定理：任何复方阵 (A) 都可以通过一个酉矩阵化为上三角矩阵，即存在酉矩阵 (U) 使得

[ U^HAU=T=(t_{ij})_{n\times n} ]

是上三角阵。注意，这一步对任何矩阵都成立，不需要任何假设，这是它强大的地方。

然后关键来了：如果 (A) 还是正规矩阵，那么 (T) 也正规。把等式 (T^HT=TT^H) 写出来，比较主对角线元素，你会发现

[ \sum_{i\le j}|t_{ij}|^2=\sum_{j\le i}|t_{ij}|^2. ]

两边等于同一个东西但分别按行和列累加，唯一可能的就是所有非对角线元素 (t_{ij}=0)。所以 (T) 其实是对角矩阵。这就证明了正规矩阵可以酉对角化。

这里我特别想强调主对角线比较这个技巧，它是很多教材一笔带过但实际最巧妙的一步。拿 (2\times2) 上三角阵 (T=\begin{pmatrix}a&b\0&c\end{pmatrix}) 检验，(T^HT) 的主对角线元素为 (|a|^2,|b|^2+|c|^2)，而 (TT^H) 的主对角线元素为 (|a|^2+|b|^2,|c|^2)。若两者相等，必须 (|b|=0)。推广到 (n) 阶原理完全一样。

5.3 三大类变换对照表与记忆锚点

把这一章出现的变换放在一起对照，记忆负担能小很多：

记忆锚点可以这样找：凡是满足正规条件的矩阵，都对应一个“复谱定理”；不同子类只是特征值落的位置不同——酉变换落在单位圆上，埃尔米特变换落在实轴上，反埃尔米特变换落在虚轴上。特征值是实是虚，取决于矩阵相对共轭转置的对称性。

这个“特征值落点”视角非常有用。考试时看到“特征值均为实数”的条件应联想到埃尔米特矩阵；看到“特征值模长为 1”应联想到酉矩阵；看到不加限制但能对角化的条件，多半要往正规矩阵上靠。

6. 一个完整演算：非对称非酉的正规矩阵怎么对角化

6.1 选例与正规性预检

很多习题册给的例子要么是埃尔米特矩阵，要么是酉矩阵，容易造成一种错觉：正规矩阵是不是就这两种？不是。正规矩阵的范围比这宽得多。我特意选一个两边都不靠的例子：

[ A=\begin{pmatrix} 1 & 2 & 0\ -2 & 1 & 0\ 0 & 0 & 1 \end{pmatrix}. ]

它不是对称矩阵（转置不等于自己），也不是正交矩阵（列向量不是单位长度）。先验证正规性：

[ A^H=A^T=\begin{pmatrix} 1 & -2 & 0\ 2 & 1 & 0\ 0 & 0 & 1 \end{pmatrix}, ]

然后

[ A^HA=\begin{pmatrix} 1 & 2 & 0\ -2 & 1 & 0\ 0 & 0 & 1 \end{pmatrix} \begin{pmatrix} 1 & -2 & 0\ 2 & 1 & 0\ 0 & 0 & 1 \end{pmatrix} =\begin{pmatrix} 5 & 0 & 0\ 0 & 5 & 0\ 0 & 0 & 1 \end{pmatrix}. ]

同理

[ AA^H=\begin{pmatrix} 1 & 2 & 0\ -2 & 1 & 0\ 0 & 0 & 1 \end{pmatrix} \begin{pmatrix} 1 & -2 & 0\ 2 & 1 & 0\ 0 & 0 & 1 \end{pmatrix} =\begin{pmatrix} 5 & 0 & 0\ 0 & 5 & 0\ 0 & 0 & 1 \end{pmatrix}. ]

两边相等，确实是正规矩阵。顺便一提，预检正规性最省事的办法是先算主对角线：如果 (A^HA) 和 (AA^H) 的主对角线都不同，直接可以认定非正规，不用把整个矩阵算完。

6.2 求特征值与特征向量

求特征值：

[ \det(A-\lambda I)= \det\begin{pmatrix} 1-\lambda & 2 & 0\ -2 & 1-\lambda & 0\ 0 & 0 & 1-\lambda \end{pmatrix}. ]

特征多项式等于

[ ((1-\lambda)^2+4)(1-\lambda)=\lambda^3-3\lambda^2+7\lambda-5. ]

具体分解：((1-\lambda)^2+4=\lambda^2-2\lambda+5)，零点为 (1\pm2i)。再乘 ((1-\lambda))，得到三个特征值

[ \lambda_1=1,\quad \lambda_2=1+2i,\quad \lambda_3=1-2i. ]

(\lambda_1=1) 时解 ((A-I)x=0)：

[ \begin{pmatrix} 0&2&0\ -2&0&0\ 0&0&0 \end{pmatrix} \begin{pmatrix}x\y\z\end{pmatrix}=0, ]

得 (x=y=0)，取 (v_1=(0,0,1)^T)。

(\lambda_2=1+2i) 时解 ((A-(1+2i)I)x=0)：

[ \begin{pmatrix} -2i&2&0\ -2&-2i&0\ 0&0&-2i \end{pmatrix} \begin{pmatrix}x\y\z\end{pmatrix}=0. ]

由第一行 (-2ix+2y=0) 得 (y=ix)，第三行给出 (z=0)，取 (v_2=(1,i,0)^T)。

(\lambda_3=1-2i) 时同理，特征向量取 (v_3=(1,-i,0)^T)。注意这里也可以直接由 (v_2) 取复共轭得到 (v_3)，因为矩阵是实矩阵，实矩阵的复特征向量可以成对取共轭。

6.3 组装酉矩阵并验证对角化

现在我们有一组特征向量 (v_1,v_2,v_3)。因为 (A) 是正规矩阵，不同特征值的特征向量自动正交，验证一下：

[ (v_2,v_3)=1\cdot\overline{1}+i\cdot\overline{(-i)}+0=1+i\cdot i=0, ]

[ (v_1,v_2)=0,\quad (v_1,v_3)=0. ]

将每个向量单位化：

[ u_1=(0,0,1)^T,\quad u_2=\frac{1}{\sqrt2}(1,i,0)^T,\quad u_3=\frac{1}{\sqrt2}(1,-i,0)^T. ]

按列拼成

[ U=\begin{pmatrix} 0 & 1/\sqrt2 & 1/\sqrt2\ 0 & i/\sqrt2 & -i/\sqrt2\ 1 & 0 & 0 \end{pmatrix}. ]

它满足 (U^HU=I)，是酉矩阵。做变换：

[ U^HAU= \begin{pmatrix} 1 & 0 & 0\ 0 & 1+2i & 0\ 0 & 0 & 1-2i \end{pmatrix}. ]

验证方法很粗暴但有效：对每个 (k) 检查 (AU) 的第 (k) 列是否等于 (\lambda_kU) 的第 (k) 列。比如第一列 (A(0,0,1)^T=(0,0,1)^T=1\cdot u_1)，正确；第二列 (A(1,i,0)^T=(1-2i?)) 我们验证：(A(1,i,0)^T=(1+2i,, -2+ i?)) 让我算准一点再写。算了 (A v_2 = (1+2i, -2+i, 0)^T)。而 ((1+2i)v_2=(1+2i, i+2i^2?)) 不对，重新算：(1+2i)(1,i,0)=(1+2i, i-2,0)=(1+2i, -2+i,0)，一致。所以没问题。

这个例子的意义在于：我选的矩阵既不是埃尔米特（两个特征值是 (1\pm2i)），也不是酉矩阵（特征值模长不全是 1），仅仅因为满足 (A^HA=AA^H)，就保证了它有完整的标准正交特征基。正规条件就是那个“恰到好处”的边界。

实操心得：求完特征向量后，先判断特征值是否互异。若互异且矩阵正规，则特征向量整体已经两两正交，只需组内单位化，不需要再跑一遍施密特。只有遇到重根时才需要在一个特征子空间内部做正交化。很多同学一上来就施密特，白算一堆内积。

7. 常见误区与排查技巧实录

7.1 误区一：算内积忘了取共轭

这是最普遍的手误。典型场景是验证两个特征向量正交时，第二分量的虚部符号没变，导致内积算成非零。排查办法：每次算完 ((x,y))，把结果代回定义式，若计算结果不是实数或与交换顺序后的值不互为共轭，几乎可以断定漏了共轭。

我的习惯是先把两个向量按列写好，逐项“第一个分量乘以第二个分量的共轭”，并在草稿上把共轭符号标出来，而不是心算。心算在复数面前非常不可靠。

7.2 误区二：把埃尔米特矩阵当成对称矩阵用

实对称矩阵满足 (A^T=A)，到了复数域要满足的是 (A^H=A)。有个判断题经常考：复数 (A) 满足 (A^T=A)，能否保证特征值为实数？答案是否定的。最简单反例：

[ A=\begin{pmatrix}1&i\ i&1\end{pmatrix}. ]

它满足 (A^T=A)，但特征多项式是 ((1-\lambda)^2-(-1)=\lambda^2-2\lambda+2)，特征值为 (1\pm i)，不是实数。问题就出在漏了共轭。埃尔米特条件必须是 (A^H=A)，即矩阵关于主对角线不但对称，对称位置元素还要互为共轭。

7.3 误区三：以为任何可对角化矩阵的特征向量都能选成正交向量

普通复矩阵可对角化，只说明存在特征向量基，这个基不一定正交。比如

[ B=\begin{pmatrix}1&1\0&2\end{pmatrix} ]

可对角化，特征向量分别是 ((1,0)^T) 和 ((1,1)^T)，它们并不正交。正规条件才是保证“存在标准正交特征基”的充分条件。判断一个矩阵能不能酉对角化，标准答案永远是先验证 (A^HA=AA^H)，而不是“特征多项式无重根”或“能对角化”。

7.4 排查技巧速查表

8. 学习路线与工具建议（个人体会）

8.1 推荐的复习顺序

如果这一章你从头自学，我建议顺序是：先掌握复数内积的定义和施密特正交化，这是地基；再学酉变换，因为它最贴近你熟悉的实正交变换；然后学伴随变换和埃尔米特变换，体会“特征值为实”的条件；最后学正规变换的谱定理，用它把所有内容统一起来。如果反着看书，直接从正规变换开始，那个 (A^HA=AA^H) 会被当成一个生硬的条件，很难记住。

每次做题可以问自己三个问题：这个矩阵在标准正交基下的矩阵是什么形式？它的特征值有什么实轴/单位圆的落点限制？它和它的共轭转置可不可交换？三个问题问完，题目的考点基本就浮出水面了。

8.2 用数值工具做快速验证

手算容易错，尤其复数矩阵符号一多就乱。我复习时常用 Python 的 NumPy 库做交叉验证。比如验证上面第 6 节的例子：

import numpy as np A = np.array([[1, 2, 0], [-2, 1, 0], [0, 0, 1]], dtype=complex) # 正规性检查 left = A.conj().T @ A right = A @ A.conj().T print("A^H A:\n", left) print("A A^H:\n", right) # 特征值 w, V = np.linalg.eig(A) print("特征值:", w) print("特征向量矩阵 V:\n", V) # 验证 U^H A U 是否近似对角 U = V print(np.round(U.conj().T @ A @ U, 6))

注意np.linalg.eig本身不保证返回的是酉矩阵，但理论上非亏损矩阵的eig结果可以归一化。更严谨的做法是拿返回的特征向量矩阵再跑一次施密特，我通常直接看np.round(U.conj().T @ A @ U, 6)，如果是近似对角矩阵就说明对角化成功。数值库的作用是验证手算，不是替代手算，考试还得自己动手。

8.3 最后分享一个小技巧

学完这一章我做了一套“复数版本卡片”，实对称矩阵写一张，埃尔米特矩阵写一张，正交矩阵写一张，酉矩阵写一张，然后对着表格找每条性质在复数版本里哪里多了共轭、哪里换成了模长。比如“正交矩阵的行（列）向量是标准正交基”对应“酉矩阵的行（列）向量是标准正交基”；“实对称矩阵可正交对角化”对应“埃尔米特矩阵可酉对角化”。这个对照做完，第 10 章就不再是孤立的复数理论，而是你原有欧氏空间知识的一次自然延伸。个人觉得，理解“共轭”是这一章的灵魂：内积里有共轭，转置变成共轭转置，对称变成共轭对称，正交条件变成 (U^HU=I)。一旦你把每个公式里为什么多出共轭想明白了，酉空间这一节不但不难，反而会给你一种“复数版欧氏空间”的整体美感。