线性代数是数学的一个重要分支，在高等数学的教学中占有重要地位。线性指量与量之间按比例、成直线的关系，在数学上可以理解为一阶导数为常数的函数。而非线性则指不按比例、不成直线的关系，一阶导数不为常数。下面我们就来进行深入的了解。

　　线性代数起源于对二维和三维直角坐标系的研究。在这里，一个向量是一个有方向的线段，由长度和方向同时表示。这样向量可以用来表示物理量，比如力，也可以和标量做加法和乘法。这就是实数向量空间的第一个例子。

　　现代线性代数已经扩展到研究任意或无限维空间。一个维数为 n 的向量空间叫做 n 维空间。在二维和三维空间中大多数有用的结论可以扩展到这些高维空间。尽管许多人不容易想象 n 维空间中的向量，这样的向量(即 n 元组)用来表示数据非常有效。由于作为 n 元组，向量是 n 个元素的“有序”列表，大多数人可以在这种框架中有效地概括和操纵数据。比如，在经济学中可以使用 8 维向量来表示 8 个国家的国民生产总值(GNP)。当所有国家的顺序排定之后，比如(中国、美国、英国、法国、德国、西班牙、印度、澳大利亚)，可以使用向量(v1,v2,v3,v4,v5,v6,v7,v8)显示这些国家某一年各自的 GNP。这里，每个国家的 GNP 都在各自的位置上。

　　作为证明定理而使用的纯抽象概念，向量空间(线性空间)属于抽象代数的一部分，而且已经非常好地融入了这个领域。一些显著的例子有：不可逆线性映射或矩阵的群，向量空间的线性映射的环。线性代数也在数学分析中扮演重要角色，特别在 向量分析中描述高阶导数，研究张量积和可交换映射等领域。

　　向量空间是在域上定义的，比如实数域或复数域。线性算子将线性空间的元素映射到另一个线性空间(也可以是同一个线性空间)，保持向量空间上加法和标量乘法的一致性。所有这种变换组成的集合本身也是一个向量空间。如果一个线性空间的基是确定的，所有线性变换都可以表示为一个数表，称为矩阵。对矩阵性质和矩阵算法的深入研究(包括行列式和特征向量)也被认为是线性代数的一部分。

　　我们可以简单地说数学中的线性问题——-那些表现出线性的问题——是最容易被解决的。比如微分学研究很多函数线性近似的问题。在实践中与非线性问题的差异是很重要的。

　　线性代数方法是指使用线性观点看待问题，并用线性代数的语言描述它、解决它(必要时可使用矩阵运算)的方法。这是数学与工程学中最主要的应用之一。