矩阵的秩，衡量的是一个矩阵中“真正”有用的信息（线性无关的信息）有多少。 它揭示了矩阵所代表线性变换的核心维度。
秩越高，包含的信息越多，变换能力越强；
秩越低，包含的信息越冗余，变换能力越弱。
我们可以从三个最常用的角度来直观感受“秩”到底是什么。
想象一个线性方程组。每个方程对应矩阵的一行。
方程组：
$$\left \{ \begin{array}{l} x+y=3 \\ 2x+2y=6 \end{array} \right. $$
对应的系数矩阵是：
$$ \left[ \begin{array}{c} 1 & 1 \\ 2 & 2 \end{array} \right] $$
你会发现，方程2其实就是方程1的2倍。所以这两个方程本质上说的是同一件事，第二个方程没有提供任何新信息。因此，这个矩阵线性无关的行只有1个，它的秩就是1。这意味着，虽然看起来有两个方程，但“真正有效”的方程只有一个。
$$ A = \left[ \begin{array}{c} 1 & 2 \\ 3 & 4 \end{array} \right] $$
它有两个列向量： $$ v_1 = \left[ \begin{array}{c} 1 \\ 3 \end{array} \right] v_2 = \left[ \begin{array}{c} 2 \\ 4 \end{array} \right] $$
这两个向量不在同一条直线上（不是倍数关系），它们是线性无关的。它们可以张成整个二维平面。所以这个矩阵的秩是2。
再看一个秩为1的例子：
$$ B = \left[ \begin{array}{c} 1 & 2 \\ 2 & 4 \end{array} \right] $$
它有两个列向量： $$ v_1 = \left[ \begin{array}{c} 1 \\ 2 \end{array} \right] v_2 = \left[ \begin{array}{c} 2 \\ 4 \end{array} \right] $$
你会发现，它们在同一条直线上。无论你怎么组合它们，都只能得到这条直线上的向量。它们张成的空间是一条一维的直线。所以这个矩阵的秩是1。
重要结论：对于任何矩阵，其行秩（视角1）永远等于其列秩（视角2）。
从线性变换的角度看，一个 m×n 的矩阵 A 代表一个从 n 维空间到 m 维空间的变换。秩 = 变换后像空间的维度。什么意思？你把整个 n 维空间里的所有向量都用 A 去乘（变换），得到的所有结果向量会构成一个新的空间，这个新空间叫做“像空间”或者“列空间”（其实就是视角2里列向量张成的空间！）。
最常用的方法是高斯消元法（行初等变换），将矩阵化为行最简形或行阶梯形。行最简形/行阶梯形矩阵中，非零行的行数就是矩阵的秩。
求矩阵C的秩，C如下所示： $$ C = \left[ \begin{array}{c} 1 & 2 & 3 \\ 4 & 5 & 6 \\ 7 & 8 & 9 \end{array} \right] $$
行变换：R2←R2−4R1，R3←R3−7R1，得到如下矩阵：
$$ \left[ \begin{array}{c} 1 & 2 & 3 \\ 0 & -3 & -6 \\ 0 & -6 & -12 \end{array} \right] $$
继续变换：R3←R3−2R2
$$ \left[ \begin{array}{c} 1 & 2 & 3 \\ 0 & -3 & -6 \\ 0 & 0 & 0 \end{array} \right] $$
这就是行阶梯形了。数一下非零行的个数：有2行是非零的。所以，矩阵 C 的秩为2。
这验证了我们之前的理解：虽然矩阵有3行3列，但第三行其实是前两行的线性组合（R3=2R2−R1），是冗余的。真正独立的信息只有2维。
对于任何矩阵，其行秩（视角1）永远等于其列秩（视角2）
这是一个线性代数中非常基本且重要的问题，其核心思想是：行运算与列运算的对称性
矩阵的行秩定义为矩阵的行向量组张成的向量空间的维度；列秩定义为矩阵的列向量组张成的向量空间的维度。它们的相等性源于一个关键事实：初等行变换不改变行空间和列空间之间的线性关系。
我们可以通过矩阵的简化行阶梯形式，这是最常用也是最直观的证明思路。
1、化简矩阵
对任意一个 \( m \times n \) 矩阵 \( A \)，我们都可以通过一系列初等行变换将其化为行最简形矩阵 \( R \)。
2、观察行最简形
在行最简形 \( R \) 中，非零行的个数 就是矩阵 \( A \) 的行秩。因为这些非零行是线性无关的，并且构成了 \( A \) 的行空间的一组基。同样在行最简形 \( R \) 中，主元列（即包含主元的列，通常是单位向量 \( e_1, e_2, \cdots \) 的形式）的个数也等于非零行的个数。这些主元列是线性无关的。
3、 关键联系
初等行变换虽然会改变列向量本身，但不会改变列向量之间的线性关系。也就是说，如果在原始矩阵 \( A \) 中，一组列向量是线性相关的（或无关的），那么在变换后的矩阵 \( R \) 中，对应的那组列向量也同样是线性相关的（或无关的）。因此，在 \( R \) 中，那些主元列对应的 \( A \) 中的原始列向量，在 \( A \) 中也是线性无关的。同时，\( R \) 中的任何非主元列都可以由主元列线性表出，这意味着在 \( A \) 中，对应的非主元列也可以由那些与主元列对应的原始列向量线性表出。
4、得出结论
所以，在原始矩阵 \( A \) 中，存在一个由 \( r \) 个列向量组成的极大线性无关组（这些就是与 \( R \) 中主元列对应的列），这个数量 \( r \) 正好等于行最简形 \( R \) 中非零行的个数，也就是 \( A \) 的行秩。因此，列秩（极大线性无关列向量的个数） = 主元列的个数 = 非零行的个数 = 行秩。我们把这个共同的值称为矩阵 \( A \) 的秩（Rank）。