【特征向量怎么求】在考研数学或者大学线性代数的考试里，遇到“求特征值与特征向量”这种题，很多同学第一反应是头疼。为什么？因为步骤看起来多，计算量大，还容易出错。但其实，把整个过程拆解开来，它就是一个标准的流程化处理问题。不用去死记硬背复杂的定义，只要搞清楚背后的逻辑链条：先定 λ，后解 x。简单来说，你得先找到能让矩阵发生“伸缩变形”的那个倍数（特征值），然后再去找在这个倍数下，哪些向量方向没变（特征向量）。

下面我把这个计算过程梳理一下，你可以对照着看。

核心求解逻辑

首先，所有的起点都是那个特征方程。对于给定的 n 阶方阵 A，你不能直接硬找特征向量，那样基本找不到。第一步必须构造出关于 λ 的多项式 $A - \lambda E = 0$。把这个多项式的根全部解出来，就是特征值集合 $\lambda_1, \lambda_2, ...$。这里最容易栽跟头的地方在于行列式展开的时候符号搞错，或者重根判断不准。

其次，针对每一个解出来的特征值 $\lambda_i$，把它代入到齐次线性方程组 $(A - \lambda_i E)x = 0$ 中。这时候任务就变成了：求基础解系。你需要对系数矩阵进行初等行变换，化简成行最简形，然后把自由变量赋值，得到的非零解就是对应的特征向量。

特别要提醒的是，特征向量不是唯一的。如果你算出的一个向量是 $(1, 1)^T$，那 $(2, 2)^T$、$(k, k)^T$（$k \neq 0$）全都是合法的。所以在写答案时，习惯上我们会加上常数 $k$，表示这是一条线上的所有点。如果题目没特殊要求，写出一个最简单的即可；如果是填空题，有时需要单位化，记得算一下模长。

计算步骤总结表

为了让你看得更直观，我把刚才啰嗦的一大段核心操作浓缩进了下面的表格里。日常做题时，按这个顺序走，不容易漏步。

避坑小贴士

在实际计算中，有几个“坑”大家一定要避开。

第一，特征值求对了，特征向量却求错了。这通常发生在第二步，把 $\lambda$ 代进去之后，没有重新计算 $A - \lambda E$ 的每一项，而是直接拿原矩阵去解，导致行列式性质失效。一定要老老实实把数值填进矩阵里再做变换。

第二，忽略了对角阵的特殊性。如果矩阵本身就是对角阵，那特征值直接在主对角线上，特征向量可以直接取单位坐标向量，省去了大量计算行列式的功夫。看到这种结构，先别急，看一眼是不是送分题。

第三，多重特征值的处理。如果一个特征值是 $k$ 重的，那么它对应的线性无关的特征向量最多有 $k$ 个。有时候你会发现解出来的自由度不够，这时候就要回头检查一下秩的计算是不是有误，或者是不是该考虑广义特征向量（但这部分通常在高等数学考研里才会涉及更深，基础计算只需确认解空间维数）。

总的来说，特征向量怎么求，归结起来就是代数运算和线性方程组的结合。不要怕算，只要步骤稳，每一步都核对清楚，这块内容其实是非常规律的。建议平时多找几道真题练手，算熟了这个手感，以后遇到相似矩阵或者二次型的问题，都能顺带解决。