在高等数学与线性代数领域，比内柯西定理（Binet-Cauchy Theorem）是一个连接矩阵乘法与行列式性质的核心定理。它揭示了两个矩阵乘积的行列式如何由各个矩阵的子式组合而成。对于从事科学研究、工程计算或数学理论学习的用户而言，理解比内柯西定理不仅是掌握线性代数高级技巧的关键，也是深入理解微分几何、统计学中多元分析的基础。
该定理主要处理的是非方阵（即长方形矩阵）相乘后形成的方阵的行列式计算问题。当矩阵A和B不是方阵时，传统的行列式乘法性质不再直接适用，而比内柯西定理提供了精确的代数表达式，将复杂的高阶行列式分解为一系列低阶子式的乘积之和。
设 A 是一个 m × n 的实数矩阵，B 是一个 n × m 的实数矩阵，其中 m ≤ n。令 C = AB，则 C 是一个 m × m 的方阵。比内柯西定理指出，C 的行列式等于 A 的所有 m 阶子式与 B 的对应 m 阶子式的乘积之和。
用符号表示如下：
其中：
假设 m=1, n=2。 A = [a1, a2]，B = [b1, b2]T。 则 AB 是一个 1×1 矩阵（标量），其行列式即为元素本身： det(AB) = a1b1 + a2b2。 根据定理，A的子式是a1和a2，B的对应子式是b1和b2，乘积之和正是点积形式。这验证了定理在低维情况下的正确性。
理解比内柯西定理的证明过程有助于掌握行列式的多重线性性质。以下是证明的核心思路：
证明的关键在于将乘积矩阵 AB 的行列式视为 A 的列向量的函数。利用行列式对列的多重线性性质，可以将 det(AB) 展开为 A 的列向量的线性组合。
具体步骤如下：
从更抽象的代数几何角度看，比内柯西定理反映了外幂（Exterior Power）的性质。
考虑向量空间 V 上的线性变换。矩阵 A 和 B 可以视为线性映射。乘积 AB 诱导的外幂映射 ∧m(AB) 等于 ∧m(A) 与 ∧m(B) 的复合。
由于 ∧m(V) 是一维空间（当 dim V = m 时），该映射的作用就是一个标量乘法，这个标量正是行列式。因此，det(AB) = det(A)det(B) 在方阵情况下成立，而在长方形矩阵情况下，它表现为子式之间的配对求和。这种视角揭示了定理的深层几何不变性。
比内柯西定理不仅仅是一个代数恒等式，它在多个科学领域有着广泛的应用。以下是几个典型的应用场景：
在计算曲面面积时，需要计算切空间的度量张量（第一基本形式）。设曲面参数化为 r(u,v)，则面积元 dA = √(EG-F²) du dv。这里的 EG-F² 正是雅可比矩阵的行列式平方，即 比内柯西定理在几何上的直接体现：变换后的面积平方等于原面积平方与雅可比行列式的关系。
在多元正态分布的概率密度函数推导中，涉及协方差矩阵的行列式。当进行变量变换时，比内柯西定理帮助确定变换后的雅可比行列式，确保概率密度的归一化条件成立。
利用该定理可以证明：rank(AB) ≤ min(rank(A), rank(B))。如果 A 的所有 k 阶子式为 0，则 AB 的所有 k 阶子式也为 0，从而推出秩的上界。
在三维变换中，计算体积缩放因子时，若使用非正交基或仿射变换，比内柯西定理提供了计算变换后体积的通用方法，特别是在处理非均匀缩放和剪切变换时。
法国数学家比内首次发表了这个结果，当时他关注的是复数行列式的性质。他的工作为后来的矩阵理论奠定了基础。
柯西独立地发现了同样的定理，并将其推广到更一般的矩阵情形。由于柯西在数学界的巨大影响力，该定理后来被命名为“比内-柯西定理”。
随着凯莱（Cayley）和希尔伯特（Hilbert）等人对矩阵理论的系统化，比内柯西定理成为线性代数教材中的标准内容，用于连接行列式理论与矩阵乘法。
A: 是的。比内柯西定理不仅适用于实数矩阵，也完全适用于复数矩阵。只要矩阵的维度满足 m ≤ n，定理中的行列式计算和子式求和公式在复数域上同样成立。
A: 如果 m > n，则矩阵 AB 是一个 m × m 矩阵，但其秩最多为 n。因此，AB 的行列式恒为 0。同时，由于 A 只有 n 列，其 m 阶子式不存在（即为0），所以求和项也为0。从形式上看，等式 0=0 依然成立，但通常我们讨论 m ≤ n 的情况以获得非平凡结果。
A: 可以将其记忆为“乘积的行列式 = 子式的乘积之和”。想象 A 和 B 相乘，结果行列式的每一项都来自 A 的一列和 B 的一行的配对。所有可能的配对组合加起来就是最终结果。
A: 在编程中，直接计算所有子式的组合复杂度较高（O(n^m)）。对于大型矩阵，通常不直接使用此定理计算行列式，而是通过 LU 分解或 SVD 等方法。但在小维度（如 m=2,3）或符号计算系统中，该定理可用于推导恒等式或验证数学性质。
比内柯西定理是线性代数中一个优雅而强大的工具，它将矩阵乘法、行列式性质和几何变换紧密联系在一起。通过理解该定理，我们可以更深入地把握线性空间的变换本质，并在微分几何、统计学和图论等领域中灵活运用。
建议读者结合具体的矩阵实例进行手算练习，以巩固对子式组合的理解。同时，探索其与外代数、奇异值分解的联系，将有助于构建更完整的数学知识体系。