贡献者： JierPeter
1. 定义
实数域上的指数函数 $ \mathrm{e} ^x$ 可以进行 Maclaurin 展开：
\begin{equation}
\mathrm{e} ^x=\sum\limits_{n=0}^\infty \frac{x^n}{n!}~.
\end{equation}
展开式使得我们只需要用 $x$ 的幂就可以表示指数 $ \mathrm{e} ^x$。我们把这一点应用到矩阵中，就可以用方阵的幂来定义出矩阵的指数：
定义 1 矩阵指数
给定方阵 $ \boldsymbol{\mathbf{M}} $，定义
\begin{equation}
\mathrm{e} ^{ \boldsymbol{\mathbf{M}} }=\sum_{n=0}^\infty \frac{ \boldsymbol{\mathbf{M}} ^n}{n!}~.
\end{equation}
并称之为矩阵 $ \boldsymbol{\mathbf{M}} $ 的
指数（matrix exponential）。其中对于任意方阵 $ \boldsymbol{\mathbf{M}} $，都有 $ \boldsymbol{\mathbf{M}} ^0= \boldsymbol{\mathbf{I}} $，$ \boldsymbol{\mathbf{I}} $ 是单位矩阵。
矩阵指数在常微分方程中非常常用，是用来解线性齐次方程组的利器。一个矩阵的指数本身还是一个矩阵。
2. 矩阵指数的性质
相似变换的统一
由过渡矩阵可知，如果矩阵 $ \boldsymbol{\mathbf{M}} $ 在某基下表示一个线性变换，那么当基按过渡矩阵 $ \boldsymbol{\mathbf{Q}} $ 改变时，同一个线性变换的矩阵表示就变为 $ \boldsymbol{\mathbf{Q}} ^{-1} \boldsymbol{\mathbf{M}} \boldsymbol{\mathbf{Q}} $。在原基下，$ \mathrm{e} ^{ \boldsymbol{\mathbf{M}} }$ 可以表示另一个线性变换，而它在 $ \boldsymbol{\mathbf{Q}} $ 下的变换是
\begin{equation}
\boldsymbol{\mathbf{Q}} ^{-1} \mathrm{e} ^{ \boldsymbol{\mathbf{M}} } \boldsymbol{\mathbf{Q}} = \mathrm{e} ^{ \boldsymbol{\mathbf{Q}} ^{-1} \boldsymbol{\mathbf{M}} \boldsymbol{\mathbf{Q}} }~.
\end{equation}
也就是说，$ \mathrm{e} ^{ \boldsymbol{\mathbf{M}} }$ 所表示的变换，在基变换的时候，其矩阵表示的变换相当于给 $ \boldsymbol{\mathbf{M}} $ 变换后再取矩阵指数。这意味着我们也可以定义线性变换的指数——也可以反过来说，这是因为我们可以定义线性变换的指数，方式也是使用 Maclaulin 级数。
事实上，如果 $\mathcal{T}_i$ 表示若干线性变换，我们可以用映射的复合来定义线性变换的乘法：那么对于任意向量 $ \boldsymbol{\mathbf{v}} $，$\mathcal{T}^n_i( \boldsymbol{\mathbf{v}} )=\mathcal{T}_i(\mathcal{T}^{n-1}_i( \boldsymbol{\mathbf{v}} ))$，其中 $\mathcal{T}_i^1=\mathcal{T}_i$。类似地，也可以定义线性变换的加法：$(\mathcal{T}_1+\mathcal{T}_2)( \boldsymbol{\mathbf{v}} )=\mathcal{T}_1( \boldsymbol{\mathbf{v}} )+\mathcal{T}_2( \boldsymbol{\mathbf{v}} )$。这样，有了乘法和加法，就可以计算线性变换的级数了，而 Maclaulin 级数就可以定义为其指数：
\begin{equation}
\mathrm{e} ^\mathcal{T}=\sum\limits_{n=0}^\infty \frac{\mathcal{T}^n}{n!}~.
\end{equation}
其中 $\mathcal{T}^0$ 是恒等变换，对应单位矩阵。
式 3 意味着，如果 $ \boldsymbol{\mathbf{M}} $ 是 $\mathcal{T}$ 在某基下的矩阵表示，那么 $ \mathrm{e} ^\mathcal{T}$ 在该基下的矩阵表示就是 $ \mathrm{e} ^{ \boldsymbol{\mathbf{M}} }$。
运算性质
设 $ \boldsymbol{\mathbf{M}} , \boldsymbol{\mathbf{N}} \in \operatorname {gl}(n, \mathbb{F})$，$a, b\in\mathbb{F}$，则容易得出以下性质：
如果 $ \boldsymbol{\mathbf{MN}} = \boldsymbol{\mathbf{NM}} $，那么我们有 $ \mathrm{e} ^{ \boldsymbol{\mathbf{M}} } \mathrm{e} ^{ \boldsymbol{\mathbf{N}} }= \mathrm{e} ^{ \boldsymbol{\mathbf{M}} + \boldsymbol{\mathbf{N}} }$。
$ \mathrm{e} ^{( \boldsymbol{\mathbf{M}} ^{\mathrm{T}} )}=( \mathrm{e} ^{ \boldsymbol{\mathbf{M}} }) ^{\mathrm{T}} $，$ \mathrm{e} ^{( \boldsymbol{\mathbf{M}} ^\dagger)}=({ \mathrm{e} ^{ \boldsymbol{\mathbf{M}} }})^\dagger$。
定理 1 矩阵指数的行列式与矩阵的迹
对于 $ \boldsymbol{\mathbf{M}} \in \operatorname {gl}(n, \mathbb{F})$，有 $ \left\lvert \mathrm{e} ^{ \boldsymbol{\mathbf{M}} } \right\rvert = \mathrm{e} ^{ \operatorname {tr}( \boldsymbol{\mathbf{M}} )}$。即：矩阵指数的行列式，等于矩阵迹的指数。
证明：
我们只需要考虑上三角矩阵 $ \boldsymbol{\mathbf{M}} $ 的情况即可，因为任何矩阵总可以通过相似变换变成上三角矩阵。此时，$ \boldsymbol{\mathbf{M}} $ 的迹就是主对角元素之和，而 $ \boldsymbol{\mathbf{M}} ^k$ 的第 $i$ 个主对角元素都是 $ \boldsymbol{\mathbf{M}} $ 的第 $i$ 个主对角元素的 $k$ 次方。
如果只看主对角元素，那么可以记 $ \boldsymbol{\mathbf{M}} $ 为 $(m_1, m_2,\cdots,m_n)$，其中各 $m_i$ 是 $ \boldsymbol{\mathbf{M}} $ 的第 $i$ 个元素。类似地，$ \boldsymbol{\mathbf{M}} ^k$ 就可以记为 $(m_1^k, m_2^k,\cdots,m_n^k)$。代入矩阵指数的定义式，可得 $ \mathrm{e} ^{ \boldsymbol{\mathbf{M}} }$ 的对角线元素为 $( \mathrm{e} ^m_1, \mathrm{e} ^m_2,\cdots, \mathrm{e} ^m_n)$。
由于上三角矩阵的乘积还是上三角矩阵，可知 $ \mathrm{e} ^{ \boldsymbol{\mathbf{M}} }$ 是上三角矩阵，因此 $ \left\lvert \mathrm{e} ^{ \boldsymbol{\mathbf{M}} } \right\rvert = \mathrm{e} ^m_1\times \mathrm{e} ^m_2\times\cdots\times \mathrm{e} ^m_n= \mathrm{e} ^{ \mathrm{e} ^m_1+ \mathrm{e} ^m_2+\cdots+ \mathrm{e} ^m_n}= \mathrm{e} ^{ \operatorname {tr}( \boldsymbol{\mathbf{M}} )}$。
证毕。
定理 2 矩阵指数求导
矩阵 $ \mathrm{e} ^{ \boldsymbol{\mathbf{M}} t}$ 是一个关于实变量 $t$ 的函数，则
\begin{equation}
\frac{ \,\mathrm{d}{}} { \,\mathrm{d}{t} } \mathrm{e} ^{ \boldsymbol{\mathbf{M}} t}= \boldsymbol{\mathbf{M}} \mathrm{e} ^{ \boldsymbol{\mathbf{M}} t}~,
\end{equation}
其中求导定义为对每个矩阵元单独求导的结果。
定理 2 的形式和 $\frac{ \,\mathrm{d}{}} { \,\mathrm{d}{t} } \mathrm{e} ^{at}=a \mathrm{e} ^{at}$ 是一样的，它们也共享同一个证明，我们留作习题：
习题 1
根据式 2 的定义，注意 $ \boldsymbol{\mathbf{M}} $ 是常数矩阵，证明式 5 。
3. 对角化计算矩阵指数
最容易计算指数的矩阵，是对角矩阵。由于两个对角矩阵相乘后还是对角矩阵，结果矩阵的第 $i$ 个对角元就是两个矩阵的第 $i$ 个对角元相乘，因此对于任意非负整数 $k$ 有
\begin{equation}
\left( \operatorname {diag}(a_1, a_2, \cdots, a_n) \right) ^k = \operatorname {diag}(a_1^k, a_2^k, \cdots, a_n^k)~.
\end{equation}
于是易得
\begin{equation}
\mathrm{e} ^{ \operatorname {diag(a_1, a_2, \cdots, a_n)}} = \operatorname {diag}( \mathrm{e} ^{a_1}, \mathrm{e} ^{a_2}, \cdots, \mathrm{e} ^{a_n})~.
\end{equation}
如果矩阵不是对角的，则计算会麻烦很多。但是，如果矩阵能通过相似变换化为对角矩阵，那么根据式 3 即可大大简化计算。对于任意矩阵 $ \boldsymbol{\mathbf{M}} $，如果存在可逆矩阵 $ \boldsymbol{\mathbf{Q}} $ 使得 $ \boldsymbol{\mathbf{Q}} ^{-1} \boldsymbol{\mathbf{MQ}} $ 是对角矩阵，那么 $ \mathrm{e} ^{ \boldsymbol{\mathbf{Q}} ^{-1} \boldsymbol{\mathbf{MQ}} }$ 非常容易计算，从而容易计算出
\begin{equation}
\mathrm{e} ^{ \boldsymbol{\mathbf{M}} } = \boldsymbol{\mathbf{Q}} \mathrm{e} ^{ \boldsymbol{\mathbf{Q}} ^{-1} \boldsymbol{\mathbf{MQ}} } \boldsymbol{\mathbf{Q}} ^{-1}~.
\end{equation}
利用可逆矩阵得到对角矩阵 $ \boldsymbol{\mathbf{Q}} ^{-1} \boldsymbol{\mathbf{MQ}} $ 的过程，称为矩阵 $ \boldsymbol{\mathbf{M}} $ 的对角化。
并不是所有矩阵都能对角化，但复数域上的矩阵一定可以。我们可以利用特征方程来做对角化。求解特征方程
\begin{equation}
\det \left( \boldsymbol{\mathbf{M}} -\lambda \boldsymbol{\mathbf{E}} \right) =0~,
\end{equation}
这个方程是关于 $\lambda$ 的 $n$ 次多项式方程，其中 $n$ 是 $ \boldsymbol{\mathbf{M}} $ 的阶数。根据
代数学基本定理，此方程一定有 $n$ 个解（计入重数），记为 $\lambda_1, \cdots, \lambda_n$，它们就是 $ \boldsymbol{\mathbf{M}} $ 的特征值。接下来，求解线性方程组（向量的线性方程）
\begin{equation}
\boldsymbol{\mathbf{M}} \boldsymbol{\mathbf{X}} = \lambda_i \boldsymbol{\mathbf{X}} ~,
\end{equation}
每个这样的方程组一定有
非零解（为什么？），这些解即为 $ \boldsymbol{\mathbf{M}} $ 的特征向量。每个非零解作为列向量，排成一排，所得的矩阵便是 $ \boldsymbol{\mathbf{Q}} $。
例 1 复矩阵对角化
给定复矩阵
\begin{equation}
\begin{pmatrix}
1&-1\\
1&1
\end{pmatrix} ~,
\end{equation}
其特征方程为
\begin{equation}
(1-\lambda)(1-\lambda)+1=0~,
\end{equation}
解为
\begin{equation}
\lambda_1 = 1- \mathrm{i} , \lambda_2 = 1+ \mathrm{i} ~.
\end{equation}
对特征值 $1- \mathrm{i} $ 求特征向量：
\begin{equation}
\begin{pmatrix}
1&-1\\
1&1
\end{pmatrix}
\begin{pmatrix}
x\\y
\end{pmatrix}
=
(1- \mathrm{i} )
\begin{pmatrix}
x\\y
\end{pmatrix} ~,
\end{equation}
得到非零解
\begin{equation}
\begin{pmatrix}
1\\ \mathrm{i}
\end{pmatrix} ~.
\end{equation}
同理，对特征值 $1+ \mathrm{i} $ 求特征向量，得到非零解
\begin{equation}
\begin{pmatrix}
1\\ - \mathrm{i}
\end{pmatrix} ~.
\end{equation}
于是可以令
\begin{equation}
\boldsymbol{\mathbf{Q}} =
\begin{pmatrix}
1&1\\
\mathrm{i} &- \mathrm{i}
\end{pmatrix} ~,
\end{equation}
从而得到对角矩阵
\begin{equation}
\boldsymbol{\mathbf{Q}} ^{-1} \boldsymbol{\mathbf{QM}} =
\frac{1}{2}
\begin{pmatrix}
1&- \mathrm{i} \\
1& \mathrm{i}
\end{pmatrix}
\begin{pmatrix}
1&-1\\
1&1
\end{pmatrix}
\begin{pmatrix}
1&1\\
\mathrm{i} &- \mathrm{i}
\end{pmatrix}
=
\begin{pmatrix}
1- \mathrm{i} &0\\
0&1+ \mathrm{i}
\end{pmatrix}
~.
\end{equation}
由于实数是复数的子集，故实矩阵也可以在复数域上对角化，虽然对角化后的结果可能不再是实矩阵，但依然可以计算其矩阵指数后再做逆相似变换，还原回实矩阵。
致读者： 小时百科一直以来坚持所有内容免费无广告，这导致我们处于严重的亏损状态。 长此以往很可能会最终导致我们不得不选择大量广告以及内容付费等。 因此，我们请求广大读者
热心打赏 ，使网站得以健康发展。 如果看到这条信息的每位读者能慷慨打赏 20 元，我们一周就能脱离亏损， 并在接下来的一年里向所有读者继续免费提供优质内容。 但遗憾的是只有不到 1% 的读者愿意捐款， 他们的付出帮助了 99% 的读者免费获取知识， 我们在此表示感谢。