一句话定义：对一个方阵 A，如果存在非零向量 v 和某个数 λ，使得 A·v = λ·v，那么 v 就是 A 的特征向量（eigenvector），λ 是对应的特征值（eigenvalue）。用通俗的话说：矩阵一般会把向量“拧”到别的方向上去，而特征向量是少数几条“推它，它不拐弯，只变长变短”的方向，特征值就是这条方向被拉伸或压缩的倍数。
打个比方：把一张印着网格的橡胶膜从对角拉开。绝大多数网格线都会被拉歪、转向，只有沿着某个特定方向的那几条线，被拉完之后仍然躺在原来那条直线上，只是变长了。这几条线就是特征向量，变长了几倍就是特征值。如果 λ 是负数，说明被拉长之后还调了个头，但所在的直线没变，仍算同一条轴；如果 λ = 0，说明这个方向被压没了，这也正是矩阵不可逆的信号。
有一个特别能建立直觉的例子：二维平面上旋转 90 度的矩阵，没有任何实特征向量，因为所有方向都被转走了。这说明它本质是“纯旋转”；它的特征值落在复数域里。所以特征值不一定都是实数，也不一定都存在实特征向量。另外，一个 n 阶方阵的特征值之和等于它的迹（对角线元素之和），乘积等于行列式，这两条在排查数值问题时很好用。
与相邻概念的区别：
| 概念 | 适用对象 | 用几组向量 | 典型用途 |
|---|---|---|---|
| 特征值分解（eigendecomposition） | 方阵（最好可对角化） | 一组向量，进出用同一组 | 分析稳定性、求平稳分布、PCA |
| 奇异值分解（SVD，singular value decomposition） | 任意形状矩阵 | 两组向量，左右各一组 | 降维、推荐、压缩、求伪逆 |
| 主成分分析（PCA，principal component analysis） | 数据矩阵 | 本质是协方差矩阵的特征向量 | 降维、去相关、可视化 |
可以这样理解：SVD 是适用范围更广的分解方法，左右两边各用一组基；特征分解是方阵上的特例。实践中很多库内部根本不直接算特征分解，而是用 SVD 绕过去，因为数值上更稳。具体实现细节以所用库的官方文档为准。
对从业者的意义：PCA 降维取的就是协方差矩阵最大的几个特征值对应的特征向量；谱聚类、图神经网络里的拉普拉斯矩阵，靠特征值来刻画“图被切得多干净”；训练时的梯度爆炸与消失，跟循环权重矩阵的谱半径（最大特征值绝对值）直接相关；马尔可夫链的平稳分布、PageRank 的网页权重，本身就是某个矩阵的主特征向量。对普通职场人来说，这些词常出现在“为什么推荐系统能把相似的用户聚到一起”“为什么降维之后信息没丢多少”这类解释里。这些直觉都指向同一件事：找出系统里那几条方向不变的轴，剩下的复杂变化就能被压缩成几个数字。