通常求特征值和特征向量即为求出该矩阵能使哪些向量（当然是特征向量）只发生拉伸，使其发生拉伸的程度如何（特征值大小）。这样做的意义在于看清一个矩阵在那些方面能产生最大的效果，并根据所产生的每个特征向量（一般研究特征值最大的那几个）进行分类讨论与研究。

怎么求特征向量

求特征向量：

一旦找到特征值λ，相应的特征向量可以通过求解特征方程(A – λI) v = 0 得到，其中v为待求特征向量，I为单位阵。

没有实特征值的一个矩阵的例子是顺时针旋转90度。

数值计算：

在实践中，大型矩阵的特征值无法通过特征多项式计算，计算该多项式本身相当费资源，而精确的“符号式”的根对于高次的多项式来说很难计算和表达：阿贝尔－鲁费尼定理显示高次（5次或更高）多项式的根无法用n次方根来简单表达。对于估算多项式的根的有效算法是有的，但特征值的小误差可以导致特征向量的巨大误差。求特征多项式的零点，即特征值的一般算法，是迭代法。最简单的方法是幂法：取一个随机向量v，然后计算一系列单位向量。

这个序列几乎总是收敛于绝对值最大的特征值所对应的特征向量。这个算法很简单，但是本身不是很有用。但是，象QR算法这样的算法正是以此为基础的。

特征向量简介

特征向量是一个非简并的向量，在这种变换下其方向保持不变。该向量在此变换下缩放的比例称为其特征值（本征值）。特征值是线性代数中的一个重要概念。

线性变换通常可以用其特征值和特征向量来完全描述。特征空间是一组特征值相同的特征向量。“特征”一词来自德语的eigen。

希尔伯特在1904年第一次用这个词，更早亥尔姆霍尔兹也在相关意义下使用过该词。eigen一词可翻译为”自身的”、“特定于……的”、“有特征的”、或者“个体的”，这显示了特征值对于定义特定的线性变换的重要性。