线性映射

线性映射（linear mapping），亦称线性变换或线性算子，是线性代数中最核心的概念之一，也是整个现代数学的基石性概念。它本质上是保持向量空间线性结构的映射，即同时满足加法和数乘两种运算的保持性。具体而言，设 $V$ 和 $W$ 是数域 $\mathbb{F}$ 上的两个向量空间，映射 $T: V \to W$ 称为线性映射，若对任意 $\mathbf{u}, \mathbf{v} \in V$ 及任意标量 $\lambda \in \mathbb{F}$，均有 $T(\mathbf{u} + \mathbf{v}) = T(\mathbf{u}) + T(\mathbf{v})$（加法保持）和 $T(\lambda \mathbf{u}) = \lambda T(\mathbf{u})$（数乘保持）。这两个条件可合并为一条：$T(\lambda \mathbf{u} + \mu \mathbf{v}) = \lambda T(\mathbf{u}) + \mu T(\mathbf{v})$，即线性映射保持向量的线性组合。这一简洁的条件蕴含着极其丰富的数学结构，是整个线性代数理论的核心出发点。线性映射的研究不仅深刻影响了代数学的发展方向，也催生了泛函分析、表示论等众多数学分支。

几何直观与实例

线性映射有着鲜明的几何意义。在二维平面 $\mathbb{R}^2$ 上，绕原点的旋转是一个线性映射（例如逆时针旋转 $90^\circ$ 将 $(x, y)$ 映射为 $(-y, x)$）；以原点为中心的缩放将 $(x, y)$ 映射为 $(\lambda x, \lambda y)$；沿 $x$ 轴的剪切将 $(x, y)$ 映射为 $(x + ky, y)$；关于 $x$ 轴的反射将 $(x, y)$ 映射为 $(x, -y)$。这些变换都保持原点不动，并将直线映射为直线，这正是线性映射的几何本质——"直线不变性"。更一般地，任何线性映射都将向量空间的子空间映射为子空间，将平行四边形映射为平行四边形。

除了几何变换，线性映射还大量出现在分析学与物理学中。定积分算子 $I(f) = \int_a^b f(x) \, dx$ 是从连续函数空间到实数域的线性映射；求导算子 $D(f) = f'$ 是从可微函数空间到函数空间的线性映射；傅里叶变换 $\mathcal{F}(f)(\xi) = \int_{-\infty}^{\infty} f(x) e^{-2\pi i x \xi} \, dx$ 也是线性映射。这些例子表明，线性映射是连接代数、几何与分析的核心纽带。

矩阵表示

有限维向量空间之间的线性映射可以借助矩阵实现简洁的计算表示。设 $V$ 的维数为 $n$，$W$ 的维数为 $m$，选定 $V$ 的一组基 $\{\mathbf{v}_1, \dots, \mathbf{v}_n\}$ 和 $W$ 的一组基 $\{\mathbf{w}_1, \dots, \mathbf{w}_m\}$ 后，线性映射 $T$ 由它在基向量上的像唯一确定。每个像 $T(\mathbf{v}_j)$ 可表示为基 $\{\mathbf{w}_i\}$ 的线性组合，其系数构成 $m \times n$ 矩阵 $A$ 的第 $j$ 列。于是对任意向量 $\mathbf{x} = \sum_{j=1}^n x_j \mathbf{v}_j$，有 $T(\mathbf{x}) = A \mathbf{x}$（其中 $\mathbf{x}$ 视为列向量）。矩阵乘法与线性映射的复合一一对应：若 $S: U \to V$ 和 $T: V \to W$ 均为线性映射，则复合映射 $T \circ S$ 对应矩阵 $BA$，其中 $B$ 是 $T$ 的矩阵，$A$ 是 $S$ 的矩阵。这一对应关系使得复杂的映射复合简化为矩阵乘法，大大简化了计算。

值得注意的是，同一线性映射在不同基下的矩阵表示是不同的，它们之间相差一个相似变换。具体而言，若 $P$ 是从旧基到新基的过渡矩阵，则 $T$ 在新基下的矩阵为 $P^{-1}AP$。寻找最简形式的矩阵表示（如对角矩阵或若尔当标准形）是线性代数的重要课题。

核与像

线性映射有两个相伴而生的重要子空间：核（kernel）与像（image）。核定义为 $\ker T = \{\mathbf{v} \in V \mid T(\mathbf{v}) = \mathbf{0}\}$，即被映射到零向量的所有向量构成的集合；像定义为 $\operatorname{im} T = \{T(\mathbf{v}) \mid \mathbf{v} \in V\}$，即所有输出向量的集合。核是 $V$ 的子空间，像是 $W$ 的子空间，这两个子空间刻画了线性映射的核心性质。

线性映射的核与像的维数之间满足著名的秩—零化度定理（rank–nullity theorem）：$\dim V = \dim(\ker T) + \dim(\operatorname{im} T)$。其中 $\dim(\operatorname{im} T)$ 称为 $T$ 的秩（rank），$\dim(\ker T)$ 称为零化度（nullity）。这一定理揭示了输入空间维度如何分配于"信息保留"（像的维度）与"信息丢失"（核的维度）两部分。作为推论，单射等价于核为零空间（零化度为 $0$），满射等价于像等于整个目标空间（秩等于 $\dim W$），而双射（线性同构）等价于 $\dim V = \dim W$ 且核为零空间。

线性映射的分类与推广

线性映射按性质可分为几类重要情形。若 $T$ 是单射（即 $\ker T = \{\mathbf{0}\}$），则称 $T$ 是单线性映射。若 $T$ 是满射（即 $\operatorname{im} T = W$），则称 $T$ 是满线性映射。若 $T$ 既单又满，则称为线性同构（isomorphism），此时 $V$ 与 $W$ 在向量空间意义下本质相同——它们具有相同的维数且结构完全等价。当 $V = W$ 时，线性映射 $T: V \to V$ 称为线性算子（linear operator），可进一步研究其特征值、特征向量、对角化、若尔当标准形等深层结构。

线性映射的一个重要推广是线性泛函（linear functional），即从 $V$ 到其标量域 $\mathbb{F}$ 的线性映射。所有线性泛函构成的向量空间称为 $V$ 的对偶空间（dual space），记作 $V^*$。若 $V$ 是有限维的，则 $\dim V^* = \dim V$，且 $V$ 与 $V^*$ 自然同构。对偶空间在微分几何、张量分析及泛函分析中占据核心地位。在无限维情形（如希尔伯特空间）中，对偶空间的概念进一步发展为连续线性泛函理论，是泛函分析的基石之一。

在范畴论的视角下，向量空间与线性映射构成一个范畴 $\mathbf{Vect}_\mathbb{F}$。该范畴中的态射恰是线性映射，同构恰是线性同构。这一抽象视角有助于将线性代数的结论推广到更一般的代数结构，如模（module）、阿贝尔群、拓扑向量空间等。线性映射作为保持代数结构的映射，是范畴论中"态射"思想的最早范例之一。

总而言之，线性映射是线性代数乃至整个现代数学的基本构件。它不仅提供了研究向量空间之间关系的强有力工具，还通过矩阵表示架起了理论与计算之间的桥梁。从线性方程组求解到量子力学中的算符理论，从图像处理中的仿射变换到机器学习中的神经网络层，线性映射的概念贯穿科学技术各个领域，其重要性无论如何强调都不为过。