数学中，矩阵乘法（英語：matrix multiplication）是一种根据两个矩阵得到第三个矩阵的二元运算，第三个矩阵即前两者的乘积，称为矩阵积（英語：matrix product）。设${\displaystyle A}$是${\displaystyle n\times m}$的矩阵，${\displaystyle B}$是${\displaystyle m\times p}$的矩阵，则它们的矩阵积${\displaystyle AB}$是${\displaystyle n\times p}$的矩阵。${\displaystyle A}$中每一行的${\displaystyle m}$个元素都与${\displaystyle B}$中对应列的${\displaystyle m}$个元素对应相乘，这些乘积的和就是${\displaystyle AB}$中的一个元素。

矩阵可以用来表示线性映射，矩阵积则可以用来表示线性映射的复合。因此，矩阵乘法是线性代数的基础工具，不仅在数学中有大量应用，在应用数学、物理学、工程学等领域也有广泛使用。^[1][2]

一般矩陣乘積

矩陣相乘最重要的方法是一般矩陣乘積。它只有在第一個矩陣的列数（column，台湾作行數）和第二個矩陣的行数（row，台湾作列數）相同時才有定義。一般單指矩陣乘積時，指的便是一般矩陣乘積。若${\displaystyle A}$為${\displaystyle m\times n}$矩陣，${\displaystyle B}$為${\displaystyle n\times p}$矩陣，則他們的乘積${\displaystyle AB}$(有時記做${\displaystyle A\cdot B}$）會是一個${\displaystyle m\times p}$矩陣。其乘積矩陣的元素如下面式子得出：

${\displaystyle (AB)_{ij}=\sum _{r=1}^{n}a_{ir}b_{rj}=a_{i1}b_{1j}+a_{i2}b_{2j}+\cdots +a_{in}b_{nj))$

以上是用矩陣單元的代數系統來說明這類乘法的抽象性質。本節以下各種運算法都是這個公式的不同角度理解，運算結果相等：

由定義直接計算

左邊的圖表示出要如何計算${\displaystyle AB}$的${\displaystyle (1,2)}$和${\displaystyle (3,3)}$元素，當${\displaystyle A}$是個${\displaystyle 4\times 2}$矩陣和B是個${\displaystyle 2\times 3}$矩陣時。分別來自兩個矩陣的元素都依箭頭方向而兩兩配對，把每一對中的兩個元素相乘，再把這些乘積加總起來，最後得到的值即為箭頭相交位置的值。

${\displaystyle (AB)_{1,2}=\sum _{r=1}^{2}a_{1,r}b_{r,2}=a_{1,1}b_{1,2}+a_{1,2}b_{2,2))$

${\displaystyle (AB)_{3,3}=\sum _{r=1}^{2}a_{3,r}b_{r,3}=a_{3,1}b_{1,3}+a_{3,2}b_{2,3))$

向量方法

這種矩陣乘積亦可由稍微不同的觀點來思考：把向量和各係數相乘後相加起來。設${\displaystyle \mathbf {A} }$和${\displaystyle \mathbf {B} }$是兩個給定如下的矩陣：

${\displaystyle \mathbf {A} ={\begin{bmatrix}a_{1,1}&a_{1,2}&\dots \\a_{2,1}&a_{2,2}&\dots \\\vdots &\vdots &\ddots \end{bmatrix))={\begin{bmatrix}A_{1}&A_{2}&\dots \end{bmatrix)),}$ ${\displaystyle \mathbf {B} ={\begin{bmatrix}b_{1,1}&b_{1,2}&\dots \\b_{2,1}&b_{2,2}&\dots \\\vdots &\vdots &\ddots \end{bmatrix))={\begin{bmatrix}B_{1}\\B_{2}\\\vdots \end{bmatrix))}$

其中

${\displaystyle A_{1))$是由所有${\displaystyle a_{x,1))$元素所组成的向量(column)，${\displaystyle A_{2))$是由所有${\displaystyle a_{x,2))$元素所组成的向量，以此类推。

${\displaystyle B_{1))$是由所有${\displaystyle b_{1,x))$元素所组成的向量(row)，${\displaystyle B_{2))$是由所有${\displaystyle b_{2,x))$元素所组成的向量，以此类推。

則

${\displaystyle \mathbf {AB} ={\begin{bmatrix}a_{1,1}{\begin{bmatrix}b_{1,1}&b_{1,2}&\dots \end{bmatrix))+a_{1,2}{\begin{bmatrix}b_{2,1}&b_{2,2}&\dots \end{bmatrix))+\cdots \\\\a_{2,1}{\begin{bmatrix}b_{1,1}&b_{1,2}&\dots \end{bmatrix))+a_{2,2}{\begin{bmatrix}b_{2,1}&b_{2,2}&\dots \end{bmatrix))+\cdots \\\vdots \end{bmatrix))=A_{1}B_{1}+A_{2}B_{2}+\dots }$

舉個例子來說：

${\displaystyle {\begin{bmatrix}1&0&2\\-1&3&1\end{bmatrix))\cdot {\begin{bmatrix}3&1\\2&1\\1&0\end{bmatrix))={\begin{bmatrix}1{\begin{bmatrix}3&1\end{bmatrix))+0{\begin{bmatrix}2&1\end{bmatrix))+2{\begin{bmatrix}1&0\end{bmatrix))\\-1{\begin{bmatrix}3&1\end{bmatrix))+3{\begin{bmatrix}2&1\end{bmatrix))+1{\begin{bmatrix}1&0\end{bmatrix))\end{bmatrix))={\begin{bmatrix}{\begin{bmatrix}3&1\end{bmatrix))+{\begin{bmatrix}0&0\end{bmatrix))+{\begin{bmatrix}2&0\end{bmatrix))\\{\begin{bmatrix}-3&-1\end{bmatrix))+{\begin{bmatrix}6&3\end{bmatrix))+{\begin{bmatrix}1&0\end{bmatrix))\end{bmatrix))}$

${\displaystyle ={\begin{bmatrix}5&1\\4&2\end{bmatrix))}$

左面矩陣的列為為係數表，右邊矩陣為向量表。例如，第一行是[1 0 2]，因此將1乘上第一個向量，0乘上第二個向量，2則乘上第三個向量。

向量表方法

一般矩陣乘積也可以想為是行向量和列向量的內積。若${\displaystyle \mathbf {A} }$和${\displaystyle \mathbf {B} }$為給定如下的矩陣：

${\displaystyle \mathbf {A} ={\begin{bmatrix}a_{1,1}&a_{1,2}&a_{1,3}&\dots \\a_{2,1}&a_{2,2}&a_{2,3}&\dots \\a_{3,1}&a_{3,2}&a_{3,3}&\dots \\\vdots &\vdots &\vdots &\ddots \end{bmatrix))={\begin{bmatrix}A_{1}\\A_{2}\\A_{3}\\\vdots \end{bmatrix))}$且${\displaystyle \mathbf {B} ={\begin{bmatrix}b_{1,1}&b_{1,2}&b_{1,3}&\dots \\b_{2,1}&b_{2,2}&b_{2,3}&\dots \\b_{3,1}&b_{3,2}&b_{3,3}&\dots \\\vdots &\vdots &\vdots &\ddots \end{bmatrix))={\begin{bmatrix}B_{1}&B_{2}&B_{3}&\dots \end{bmatrix))}$

其中，这里

${\displaystyle A_{1))$是由所有${\displaystyle a_{1,x))$元素所組成的向量，${\displaystyle A_{2))$是由所有${\displaystyle a_{2,x))$元素所組成的向量，以此類推。

${\displaystyle B_{1))$是由所有${\displaystyle b_{x,1))$元素所組成的向量，${\displaystyle B_{2))$是由所有${\displaystyle b_{x,2))$元素所組成的向量，以此類推。

则

${\displaystyle \mathbf {AB} ={\begin{bmatrix}A_{1}\\A_{2}\\A_{3}\\\vdots \end{bmatrix))\times {\begin{bmatrix}B_{1}&B_{2}&B_{3}&\dots \end{bmatrix))={\begin{bmatrix}(A_{1}\cdot B_{1})&(A_{1}\cdot B_{2})&(A_{1}\cdot B_{3})&\dots \\(A_{2}\cdot B_{1})&(A_{2}\cdot B_{2})&(A_{2}\cdot B_{3})&\dots \\(A_{3}\cdot B_{1})&(A_{3}\cdot B_{2})&(A_{3}\cdot B_{3})&\dots \\\vdots &\vdots &\vdots &\ddots \end{bmatrix))}$

即

${\displaystyle \left(\mathbf {AB} \right)_{ij}=A_{i}B_{j))$

性質

矩陣乘法是不可交換的（即${\displaystyle AB\neq BA}$），除了一些較特別的情況。很清楚可以知道，不可能預期說在改變向量的部份後還能得到相同的結果，而且第一個矩陣的列數必須要和第二個矩陣的行數相同，也可以看出為什麼矩陣相乘的順序會影響其結果。

雖然矩陣乘法是不可交換的，但${\displaystyle AB}$和${\displaystyle BA}$的行列式總會是一樣的（當${\displaystyle A}$、${\displaystyle B}$是同樣大小的方陣時）。其解釋在行列式條目內。

當${\displaystyle A}$、${\displaystyle B}$可以被解釋為線性算子，其矩陣乘積${\displaystyle AB}$會對應為兩個線性算子的複合函數，其中B先作用。

在試算表中做矩陣乘法

${\displaystyle {\begin{bmatrix}1&0&2\\-1&3&1\end{bmatrix))\cdot {\begin{bmatrix}3&1\\2&1\\1&0\end{bmatrix))={\begin{bmatrix}5&1\\4&2\end{bmatrix))}$

以 Google Sheet 為例，選取儲存格範圍或者使用陣列，在儲存格輸入

=MMULT({1,0,2;-1,3,1},{3,1;2,1;1,0})

在某些試算表軟體中必須必須按Ctrl+⇧ Shift+↵ Enter 將儲存格內的變數轉換為陣列

純量乘積

矩陣${\displaystyle A=(a_{ij})}$和純量${\displaystyle r}$的純量乘積${\displaystyle rA}$的矩陣大小和${\displaystyle A}$一樣，${\displaystyle rA}$的各元素定義如下：

${\displaystyle (rA)_{ij}=r\cdot a_{ij}\ }$

若我們考慮於一個環的矩陣時，上述的乘積有時會稱做左乘積，而右乘積的則定義為

${\displaystyle (Ar)_{ij}=a_{ij}\cdot r\ }$

當環是可交換時，例如實數體或複數體，這兩個乘積是相同的。但無論如何，若環是不可交換的話，如四元數，他們可能會是不同的。例如，

${\displaystyle i{\begin{bmatrix}i&0\\0&j\\\end{bmatrix))={\begin{bmatrix}-1&0\\0&k\\\end{bmatrix))\neq {\begin{bmatrix}-1&0\\0&-k\\\end{bmatrix))={\begin{bmatrix}i&0\\0&j\\\end{bmatrix))i}$

阿達馬乘積

給定兩個相同維度的矩陣可計算有阿達馬乘積（Hadamard product），或稱做逐項乘積、分素乘積（element-wise product, entrywise product）。兩個${\displaystyle m\times n}$矩陣${\displaystyle A}$、${\displaystyle B}$的阿達馬乘積標記為${\displaystyle A\circ B}$，定義為 ${\displaystyle (A\circ B)_{ij}=a_{ij}b_{ij))$的${\displaystyle m\times n}$矩陣。例如，

${\displaystyle {\begin{bmatrix}1&3&2\\1&0&0\\1&2&2\end{bmatrix))\circ {\begin{bmatrix}0&0&2\\7&5&0\\2&1&1\end{bmatrix))={\begin{bmatrix}1\cdot 0&3\cdot 0&2\cdot 2\\1\cdot 7&0\cdot 5&0\cdot 0\\1\cdot 2&2\cdot 1&2\cdot 1\end{bmatrix))={\begin{bmatrix}0&0&4\\7&0&0\\2&2&2\end{bmatrix))}$

需注意的是，阿達馬乘積是克羅內克乘積的子矩陣。

克羅內克乘積

給定任兩個矩陣${\displaystyle A}$和${\displaystyle B}$，可以得到兩個矩陣的直積，或稱為克羅內克乘積${\displaystyle A\otimes B}$，其定義如下

${\displaystyle {\begin{bmatrix}a_{11}B&a_{12}B&\cdots &a_{1n}B\\\vdots &\vdots &\ddots &\vdots \\a_{m1}B&a_{m2}B&\cdots &a_{mn}B\end{bmatrix))}$

當${\displaystyle A}$是一${\displaystyle m\times n}$矩陣和${\displaystyle B}$是一${\displaystyle p\times r}$矩陣時，${\displaystyle A\otimes B}$會是一${\displaystyle mp\times nr}$矩陣，而且此一乘積也是不可交換的。

舉個例子，

${\displaystyle {\begin{bmatrix}1&2\\3&1\\\end{bmatrix))\otimes {\begin{bmatrix}0&3\\2&1\\\end{bmatrix))={\begin{bmatrix}1\cdot 0&1\cdot 3&2\cdot 0&2\cdot 3\\1\cdot 2&1\cdot 1&2\cdot 2&2\cdot 1\\3\cdot 0&3\cdot 3&1\cdot 0&1\cdot 3\\3\cdot 2&3\cdot 1&1\cdot 2&1\cdot 1\\\end{bmatrix))={\begin{bmatrix}0&3&0&6\\2&1&4&2\\0&9&0&3\\6&3&2&1\end{bmatrix))}$

若${\displaystyle A}$和${\displaystyle B}$分別表示兩個線性算子${\displaystyle V_{1}\to W_{1))$和${\displaystyle V_{2}\to W_{2))$，${\displaystyle A\otimes B}$便為其映射的張量乘積，${\displaystyle V_{1}\otimes V_{2}\to W_{1}\otimes W_{2))$

共同性質

上述三種乘積都符合結合律：

${\displaystyle A(BC)=(AB)C}$

以及分配律：

${\displaystyle A(B+C)=AB+AC}$

${\displaystyle (A+B)C=AC+BC}$

而且和純量乘積相容：

${\displaystyle c(AB)=(cA)B}$

${\displaystyle (Ac)B=A(cB)}$

${\displaystyle (AB)c=A(Bc)}$

注意上述三個分開的表示式只有在純量體的乘法及加法是可交換（即純量體為一可交換環）時會相同。

另見

• Strassen演算法（1969）
• Winograd演算法（1980）
• Coppersmith–Winograd演算法（1990）
• 邏輯矩陣
• 矩陣鏈乘積
• 逆矩陣
• 關係複合
• BLAS
• 矩陣加法
• 矩阵微积分

外部連結

• WIMS Online Matrix Multiplier （页面存档备份，存于互联网档案馆）
• Animated Matrix Multiplication Examples (purplemath) （页面存档备份，存于互联网档案馆）

• Matrix Multipication in Javascript （页面存档备份，存于互联网档案馆）（works in Firefox）

參考

其它参考文献包括：

• Strassen, Volker, Gaussian Elimination is not Optimal, Numer. Math. 13, p. 354-356, 1969.
• Coppersmith, D., Winograd S., Matrix multiplication via arithmetic progressions, J. Symbolic Comput. 9, p. 251-280, 1990.
• Horn, Roger; Johnson, Charles: "Topics in Matrix Analysis", Cambridge, 1994.
• Robinson, Sara, Toward an Optimal Algorithm for Matrix Multiplication, SIAM News 38(9), November 2005.