贡献者： addis
酉矩阵（unitary matrix）也叫幺正矩阵。当矩阵元为实数时也叫正交矩阵（orthogonal matrix），是正交矩阵的复数拓展，即矩阵元可以是复数。酉矩阵 $ \boldsymbol{\mathbf{U}} $ 的定义同样为
\begin{equation}
\sum_k U_{ki}^* U_{kj} = \delta_{ij}~.
\end{equation}
但由于复数的列矢量没有对应的
几何矢量，所以这里的正交完全是复线性空间中的广义正交。
1. 实数的情况
若一个实数方阵的每一列的模长都等于 $1$，且任意两列都正交，那么这个矩阵就是一个单位正交阵。若 $ \boldsymbol{\mathbf{U}} $ 为单位正交阵，则其矩阵元满足
\begin{equation}
\sum_k U_{ki} U_{kj} = \delta_{ij}~,
\end{equation}
其中 $\delta_{ij}$ 是克罗内克 $\delta$ 函数。所以若把 $N$ 阶单位正交阵的每一列看做 $N$ 维空间中的一个单位矢量的直角坐标，那么这些单位矢量就组成该空间的一组正交归一基底。
式 2 也可以用矩阵转置和矩阵乘法表示为
\begin{equation}
\boldsymbol{\mathbf{U}} ^{\mathrm{T}} \boldsymbol{\mathbf{U}} = \boldsymbol{\mathbf{I}} ~,
\end{equation}
其中 $ \boldsymbol{\mathbf{I}} $ 是单位矩阵。根据逆矩阵的定义，我们得到单位正交矩阵的一个重要性质，即其
逆矩阵等于转置矩阵。
\begin{equation}
\boldsymbol{\mathbf{U}} ^{-1} = \boldsymbol{\mathbf{U}} ^{\mathrm{T}} ~.
\end{equation}
由逆矩阵的性质（
式 2 ）得
\begin{equation}
\boldsymbol{\mathbf{U}} \boldsymbol{\mathbf{U}} ^{\mathrm{T}} = \boldsymbol{\mathbf{U}} \boldsymbol{\mathbf{U}} ^{-1} = \boldsymbol{\mathbf{I}} ~.
\end{equation}
表示为矩阵元的运算就是
\begin{equation}
\sum_k U_{ik} U_{jk} = \delta_{ij}~.
\end{equation}
所以单位正交矩阵的所有行同样正交归一。易证
式 2 和
式 6 互为充分必要条件，都可以作为单位正交阵的定义。
2. 几何理解
为了更形象地理解单位正交阵的上述性质，我们以二维几何矢量和二维实数方阵为例讨论，三维的情况同理可得。
任意的二维实数酉矩阵可以看做是两组正交归一基底 $ \hat{\boldsymbol{\mathbf{x}}} , \hat{\boldsymbol{\mathbf{y}}} $ 和 $ \hat{\boldsymbol{\mathbf{u}}} , \hat{\boldsymbol{\mathbf{v}}} $ 之间的变换（“见平面旋转矩阵” 中的 “被动理解”）。
\begin{equation}
\boldsymbol{\mathbf{U}} = \begin{pmatrix} \hat{\boldsymbol{\mathbf{u}}} \boldsymbol\cdot \hat{\boldsymbol{\mathbf{x}}} & \hat{\boldsymbol{\mathbf{v}}} \boldsymbol\cdot \hat{\boldsymbol{\mathbf{x}}} \\
\hat{\boldsymbol{\mathbf{u}}} \boldsymbol\cdot \hat{\boldsymbol{\mathbf{y}}} & \hat{\boldsymbol{\mathbf{v}}} \boldsymbol\cdot \hat{\boldsymbol{\mathbf{y}}} \end{pmatrix} ~,
\end{equation}
显然矩阵的两个列矢量满足正交归一。由内积的交换律，我们同样可以把矩阵的两行分别看做单位矢量 $ \hat{\boldsymbol{\mathbf{x}}} , \hat{\boldsymbol{\mathbf{y}}} $ 在正交归一基底 $ \hat{\boldsymbol{\mathbf{u}}} , \hat{\boldsymbol{\mathbf{v}}} $ 上的坐标，所以矩阵的两个行矢量同样正交归一。
现在我们令任意几何矢量以 $ \hat{\boldsymbol{\mathbf{x}}} , \hat{\boldsymbol{\mathbf{y}}} $ 为基底的坐标为 $(x, y)$，以 $ \hat{\boldsymbol{\mathbf{u}}} , \hat{\boldsymbol{\mathbf{v}}} $ 为基底的坐标为 $(u, v)$，即
\begin{equation}
\hat{\boldsymbol{\mathbf{v}}} = u \hat{\boldsymbol{\mathbf{u}}} + v \hat{\boldsymbol{\mathbf{v}}} = x \hat{\boldsymbol{\mathbf{x}}} + y \hat{\boldsymbol{\mathbf{y}}} ~.
\end{equation}
由正交归一基底的性质，
\begin{equation}
\begin{cases}
x = (u \hat{\boldsymbol{\mathbf{u}}} + v \hat{\boldsymbol{\mathbf{v}}} ) \boldsymbol\cdot \hat{\boldsymbol{\mathbf{x}}} \\
y = (u \hat{\boldsymbol{\mathbf{u}}} + v \hat{\boldsymbol{\mathbf{v}}} ) \boldsymbol\cdot \hat{\boldsymbol{\mathbf{y}}}
\end{cases}~,
\qquad
\begin{cases}
u = (x \hat{\boldsymbol{\mathbf{x}}} + y \hat{\boldsymbol{\mathbf{y}}} ) \boldsymbol\cdot \hat{\boldsymbol{\mathbf{u}}} \\
v = (x \hat{\boldsymbol{\mathbf{x}}} + y \hat{\boldsymbol{\mathbf{y}}} ) \boldsymbol\cdot \hat{\boldsymbol{\mathbf{v}}}
\end{cases}~.
\end{equation}
写成矩阵的形式，就是
\begin{equation}
\begin{pmatrix}x\\y\end{pmatrix} = \begin{pmatrix} \hat{\boldsymbol{\mathbf{u}}} \boldsymbol\cdot \hat{\boldsymbol{\mathbf{x}}} & \hat{\boldsymbol{\mathbf{v}}} \boldsymbol\cdot \hat{\boldsymbol{\mathbf{x}}} \\
\hat{\boldsymbol{\mathbf{u}}} \boldsymbol\cdot \hat{\boldsymbol{\mathbf{y}}} & \hat{\boldsymbol{\mathbf{v}}} \boldsymbol\cdot \hat{\boldsymbol{\mathbf{y}}} \end{pmatrix} \begin{pmatrix}u\\v\end{pmatrix} ~,
\qquad
\begin{pmatrix}u\\v\end{pmatrix} = \begin{pmatrix} \hat{\boldsymbol{\mathbf{x}}} \boldsymbol\cdot \hat{\boldsymbol{\mathbf{u}}} & \hat{\boldsymbol{\mathbf{y}}} \boldsymbol\cdot \hat{\boldsymbol{\mathbf{u}}} \\
\hat{\boldsymbol{\mathbf{x}}} \boldsymbol\cdot \hat{\boldsymbol{\mathbf{v}}} & \hat{\boldsymbol{\mathbf{y}}} \boldsymbol\cdot \hat{\boldsymbol{\mathbf{v}}} \end{pmatrix} \begin{pmatrix}x\\y\end{pmatrix} ~.
\end{equation}
注意上式左边的矩阵是 $ \boldsymbol{\mathbf{U}} $，右边的矩阵是 $ \boldsymbol{\mathbf{U}} ^{\mathrm{T}} $，而右边的变换是左边的逆变换，所以 $ \boldsymbol{\mathbf{U}} ^{\mathrm{T}} = \boldsymbol{\mathbf{U}} ^{-1}$。
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。