形式陈述

设 $T:V\to V$ 为线性算子。标量 $\lambda \in F$ 称为特征值，若存在非零向量 $v\in V$ 满足

$$Tv=\lambda v;$$

这样的 $v$ 称为对应特征向量。特征空间为

$$E_{\lambda }=\ker (T-\lambda I),$$

是非零子空间。不同特征值对应的特征向量线性无关。有限维时，$\lambda$ 为特征值当且仅当 $T-\lambda I$ 不可逆，也即 $\det (\lambda I-A)=0$。特征值依赖底域：实矩阵可能没有实特征值，却在复数域上有。零向量必须排除，因为它对任意 $\lambda$ 都满足等式而不提供方向信息。

直觉

特征向量是在变换下方向不改变的特殊轴，特征值只记录沿该轴被缩放或反向多少。

例子与边界

对对角矩阵 $\mathrm{diag}(2,3)$，标准基向量分别是特征值 $2,3$ 的特征向量。平面 ${90}^{\circ }$ 旋转在 $\mathbb{R}$ 上无特征值，在 $\mathbb{C}$ 上有 $i,-i$。剪切矩阵 $\left(\begin{array}{cc}1& 1\\ 0& 1\end{array}\right)$ 只有特征值 $1$，其特征空间仅一维，说明拥有特征值不保证有特征向量基。若 $v$ 是特征向量，则任何非零标量倍仍是同一特征空间中的特征向量；“特征向量”不是唯一规范向量。一般线性映射 $V\to W$ 在定义域和陪域不同的情况下没有标准特征值概念。

推论与应用

特征结构揭示迭代动力学、微分方程稳定性、Markov 链长期行为和图谱性质，并为对角化与谱定理提供基本块。

参考资料

• Sheldon Axler, Linear Algebra Done Right, 4th ed., Springer, 2024，Ch. 5, eigenvalues, eigenvectors, and invariant subspaces。
• Michael Artin, Algebra, 2nd ed., Pearson, 2011，Ch. 4, eigenvectors and characteristic roots。