如果只想听一句结论：
完全自学线性代数，最推荐的起点不是同济，也不是上来啃抽象代数味很重的名著。最稳的路线是：先用一本讲得顺、例子够多、证明不过载的教材建立主线，再用视频把几何直觉补上，最后再补一本偏理论的书把逻辑封口。
很多人学线代痛苦，不是因为线代难，是因为第一本书选错了。
同济那本为什么总被吐槽，核心问题不在于它差，而在于它默认你在一个有老师、有作业、有考试节奏的体系里学。它的功能，本来就偏向配合课程和应试，不是为纯自学者设计的。学校里老师一串，习题一压，很多跳跃你能被推着过；完全自学就不一样了，一旦书里知识展开顺序不贴合人的理解路径，读着就会出现一种很典型的崩溃感：每个字都认识，连起来不知道在干嘛。
线性代数特别吃主线感。
主线没立住，矩阵像一堆算表，行列式像古代祭祀遗物，特征值像凭空冒出来的考试考点，二次型像结尾硬塞的附录。很多人就是在这个阶段被劝退的。
所以选教材，关键不是看它名气大不大，而是看它能不能回答这几个问题：
学矩阵到底是在学什么为什么要做初等变换向量空间和矩阵是什么关系特征值为什么重要整门课最后到底收束到哪里
只要一本书能把这条线讲顺，自学就成功了一大半。
如果是零基础完全自学，我个人非常推荐这条路线。
起步用 David C. Lay 的 Linear Algebra and Its Applications，国内常译作 线性代数及其应用。
这是我最愿意推荐给自学者的第一本。原因很简单，它非常照顾理解路径。它不是那种一上来把定义砸满一脸的写法，而是会反复告诉你一个概念出现的动机、它解决什么问题、和前后内容怎么连起来。例题多，应用多，叙述也比较顺。学起来不会老有一种作者在跟你斗法的感觉。
这本书有个很大的优点，特别适合现在这个时代。很多自学线代的人，目的并不是参加数学系考试，而是为了转码、搞机器学习、做图形学、学优化、补数据分析基础。Lay 这本书对这种读者非常友好，因为它会让你比较早地意识到，线代不是在背概念，它其实是现代技术栈里最底层的一套语言。
尤其到 2026 年，这个判断只会更明显。AI、AIGC、推荐系统、科学计算、机器人、计算机视觉，底层都离不开线代。矩阵分解、特征结构、最小二乘、正交投影，这些内容不再是课本装饰品，属于实打实会在工程里反复撞上的东西。学线代，如果还停留在会算几个行列式，那和会背 HTTP 状态码但不会看网络请求差不多，不能说完全没用，只能说离真正能用还差很远。
如果想找中文教材，推荐 Gilbert Strang 那本 线性代数及其应用，或者配套中译本。
Strang 是全世界最适合把线代讲出人味的那批老师之一。他特别擅长讲主线。很多教材是按章节推进，他是按思想推进。矩阵、消元、列空间、零空间、线性变换、特征值，这些在他那里不是散的，连得非常紧。尤其是消元和四个基本子空间那块，一旦听懂，整门线代会突然亮起来。
如果英文还可以，强烈建议直接配 MIT 18.06 的课程视频看 Strang 本人讲。这个组合对自学者非常友好。很多人卡在教材上的地方，视频一看就通了。原因很现实，线代有些概念天然适合看人一步一步写出来、讲出来。光读文字，脑内建模容易断。
如果数学基础比较一般，或者很久没碰过证明，别一上来就去啃 Hoffman 和 Kunze 的 Linear Algebra。那本书很强，业内地位也高，但它不适合绝大多数人的第一本。很多人拿它当入门书，最后得到的不是扎实，而是挫败。线代的理论美感，得建立在你已经知道自己在研究什么的前提下。还没形成全局地图就直接钻公理体系，效率非常低。
真要补理论深度，等第一轮学完，再看 Axler 的 Linear Algebra Done Right 会舒服很多。
这本书在中文互联网里名气很大，也确实值得看。优点是思路很干净，很多地方能把概念讲透。缺点也很明显，对初学者不够友好，尤其是它绕开行列式作为开局思路，虽然理论上很漂亮，但对很多工程向、自学向读者来说，反而会增加理解成本。它更适合作为第二本，而不是第一本。
很多人问，到底要不要学行列式。我的观点很明确：要学，但别把它当主角。
线代里最容易被教材写歪的内容之一就是行列式。行列式当然重要，但它的地位经常被夸大，导致很多人误以为线代核心就是计算行列式。其实真正的核心一直是线性映射、空间结构、变换关系、分解方式。行列式更像其中一个工具，它能告诉你体积缩放、可逆性、退化与否，但它绝对不该霸占你大部分精力。
自学时有个很实用的判断标准：如果一本书让你在前期把大量时间花在繁琐计算上，却没有持续告诉你这些计算在整体结构里处于什么位置，赶紧提高警惕。那种学法短期看很踏实，长期看很容易学成算盘训练。
如果只想要一套很省心的资源组合，我给一个非常稳的搭配，基本不太会踩雷。
教材用 Lay 或 Strang视频看 MIT 18.06习题用教材自带题加少量国内考研题做计算训练学完一轮后补 Axler 或者一部分更理论化的书
很多人会忽略习题这件事，结果就是看课像看懂了，一做题全碎。线代很诚实，不做题基本不可能真正掌握。因为它不是靠记忆维持的学科，它需要你把几个动作练熟：看出矩阵在表达什么，判断该用消元还是基变换，识别线性相关，理解秩、零空间、列空间之间的关系，看到特征值问题时知道它本质上是在找某些不变方向。这些都不是看懂就等于会。
但习题也别做偏。
完全自学最忌讳两种极端。一种是只看不做，学成知识幻觉。另一种是疯狂刷题，学成手工计算。最好的节奏是每学完一小块，立刻做几道能检验理解的题，再回头总结这块和整门课的关系。线代特别适合这样学，因为章节之间关联很强，回头串线的收益很高。
再说一下中文教材。
如果一定要中文、又希望相对适合自学，可以看看居余马版或者一些偏应用导向的讲义，但说实话，中文世界里真正把线代写得既适合零基础自学、又兼顾现代视角和叙述顺滑的教材，整体上还是不如英文经典丰富。这个不是崇洋，也不是装腔，纯粹是线代教学资源积累的问题。尤其在线上课程配套、习题体系、勘误和讨论社区方面，英文资源优势很明显。
好消息是，到了 2026 年，自学门槛已经比以前低很多。MIT、3Blue1Brown、各类公开课、论坛讨论、题解资源都很全。3Blue1Brown 的 Essence of Linear Algebra 这套视频尤其值得看。它不是拿来替代教材的，但特别适合在一开始或者卡壳时补几何直觉。很多人第一次真正理解线性变换、基、特征向量，都是靠它建立画面感。
3Blue1Brown线性代数笔记：可能是全网最好的中英文整理
不过也提醒一句，别沉迷看这种科普型可视化视频。它负责让你明白自己在学什么，不负责让你会做题、会推导、会证明。线代最后还是要落回纸笔和符号。
如果目标更明确一些，选书还要跟用途绑定。
如果是为了 AI、机器学习、数据科学，Lay 和 Strang 足够好，后面接概率、优化、数值线代会更自然。尤其建议把最小二乘、SVD、正交投影、多元线性回归相关内容多花点时间，这些在实际技术学习里回报极高。
如果是为了转计算机图形学、机器人、控制，除了基础线代，向量空间、正交变换、特征分解、矩阵表示、坐标变换一定要吃透，Strang 路线会非常舒服。
如果是纯粹想打数学基础，准备以后学抽代、泛函、实分析，那第一轮别贪快。学完基础教材后，尽快补证明能力，再上 Axler、Hoffman and Kunze 这类书，收获会大得多。
最后给一个很现实的建议：线性代数自学，周期别拉太长。
最容易失败的模式就是每天随缘看两页，看三个月还在矩阵乘法。线代这种科目，最好在一个相对集中的窗口里打穿。六到十周是个比较合适的节奏。保持连续性，概念之间的连接才不会断。学到后面，很多前面的东西会突然回流，你会第一次感受到这门课真正的完整感。
所以如果现在就要我给一个明确推荐，我会这么说。
想少走弯路，第一本选 Lay。想同时建立理解和体系，配 Strang 的视频。想补直觉，看 3Blue1Brown。想冲理论深度，第二本再上 Axler。同济那本能不能看？能。前提是已经有老师带，或者只是拿来补题和对照。拿它做完全自学第一本，确实不算好选择。
很多人学线代失败，最后以为自己数学不行。其实往往只是教材没选对，顺序也学反了。
线代这门课，一旦入门方式对了，反馈非常快。很快就会发现，原来那些看起来散乱的东西，背后其实连得很紧。到那个时候，线代就从一门课变成了很多技术领域的基础语言。
真到了那一步，再回头看当初最纠结的教材问题，会发现答案其实很简单：
选那本能帮你建立主线的书，不要选那本最有名、最像大学指定教材的书。
如果有需要，我可以直接再给一版更具体的自学路线，按 8 周安排到每天学什么、看哪几章、做哪些题。
