在数学与科学中，线性系统（Linear System）是指系统的输出变化与输入变化成比例，并且系统内部各要素之间满足叠加原理（Superposition Principle）的系统。叠加原理包括两个基本性质：齐次性和可加性。也就是说，如果某一输入产生某一响应，那么该输入按比例放大或缩小后，系统响应也会按相同比例变化；如果多个输入同时作用于系统，则系统的总响应等于各个输入单独作用时响应的代数和。因此，线性系统的整体行为可以由局部行为组合得到，通常比非线性系统更加直观、规则且易于分析和控制。
从数学形式上看，线性系统通常可以表示为一组线性代数方程、线性微分方程或线性差分方程。在这些方程中，未知变量、未知函数及其导数只以一次形式出现，不包含未知量之间的乘积、高次幂、指数函数、三角函数等非线性关系。换句话说，线性系统的方程可以写成未知变量或未知函数的线性组合。例如，若两个输入分别产生两个输出，则这两个输入的线性组合也会产生对应输出的线性组合，这正是线性系统区别于非线性系统的核心特征。
需要注意的是，对于线性微分方程而言，判断其是否线性的关键在于未知函数及其导数是否线性出现。即使方程中的自变量、已知系数或外部输入随时间、空间等因素发生非线性变化，只要未知函数本身及其导数之间不存在乘积、高次项或其他非线性形式，该方程仍然可以称为线性方程。例如，一个系统的参数可以随时间变化，但只要状态变量之间不发生非线性耦合，该系统仍属于线性系统。
由于线性系统具有结构清晰、数学性质良好、求解方法成熟等特点，它们被广泛应用于工程、物理、控制理论、通信系统和信号处理等领域。许多复杂的实际系统虽然本质上可能是非线性的，但在一定工作范围或小扰动条件下，可以通过线性化方法近似为线性系统，从而便于研究其稳定性、响应特性和控制规律。因此，线性系统不仅是一类重要的数学模型，也是理解、分析和设计复杂系统的基础工具。
定义
在数学中，若一个映射或算子 f(x) 满足以下两个性质，则称其为线性映射或线性算子：
f(x+y)=f(x)+f(y),
f(αx)=αf(x).
其中，第一个性质称为可加性（Additivity），表示两个输入共同作用时的输出等于它们分别作用时输出的和；第二个性质称为齐次性（Homogeneity），表示输入按比例放大或缩小时，输出也按相同比例变化。二者合在一起通常称为叠加原理（Superposition Principle），即
f(αx+βy)=αf(x)+βf(y).
因此，线性系统的本质在于：系统的整体响应可以由各个输入或状态变量的局部响应通过线性组合得到。
一般地，若一个系统可以写成
f(x)=C,
其中 x 表示待求的未知对象，C 为已知项，并且 f(x) 是关于 x 的线性映射，则该系统称为线性系统（Linear System）；否则称为非线性系统（Nonlinear System）。当 C=0 时，该系统称为齐次线性系统；当 C≠0 时，则称为非齐次线性系统。
这里的 x 可以是非常一般的数学对象，例如数、向量、函数，或满足一定边界条件的函数。因此，f(x) 也可以表示不同类型的线性运算，例如矩阵变换、积分算子、微分算子或差分算子。如果 f(x) 中包含对未知函数 x 的微分运算，则对应的系统就是线性微分方程系统。
动力系统中的线性系统
在动力学语境下，线性系统通常是研究多维连续动力系统的基本起点。一般地，n 维线性常系数微分方程组可以写成如下矩阵形式：
dx/dt = Ax,
其中，x∈Rn 表示系统的状态向量，A 为常数矩阵，用于描述系统内部各状态变量之间的线性耦合关系。该方程表明，系统状态的变化率由当前状态经过矩阵 A 的线性变换决定。
线性系统的一个核心优势在于，它们往往存在解析解。例如，对于上述常系数线性系统，其解可以形式化地写为
x(t)=e^{At}x(0),
其中，x(0) 为初始状态，e^{At} 为矩阵指数。通过分析矩阵 A 的特征值和特征向量，可以进一步研究系统的稳定性、振荡行为、相轨迹结构以及长期演化趋势。
向量场与相平面
向量场：方程的几何映射
从前述谐振子的例子可以看出，当线性系统被抽象为 $\dot{\mathbf{x}} = A\mathbf{x}$ 的形式后，它便超越了纯代数意义下的矩阵微分方程，映射为几何空间中的一个动态结构。对于二维空间中的任意状态点 $(x, v)$，矩阵乘法 $A\mathbf{x}$ 都会赋予该点一个确定的变化速度与方向向量 $(\dot{x}, \dot{v})$。这些密布于空间各点、指示着系统瞬时演化趋势的箭头，共同构成了该系统的\textbf{向量场}（Vector Field）。向量场直观地刻画了系统在全局各个状态下的“流速”与“流向”，是理解二维线性系统整体行为的基础。
相平面与相轨迹
由系统的全部状态变量所张成的几何空间，被称为系统的\textbf{相空间}（Phase Space）；在二维情况下，特称为\textbf{相平面}（Phase Plane）。当给定系统一个初始状态 $(x_0, v_0)$ 时，随着时间 $t$ 的推移，状态点会顺着向量场的指引在相平面上游走，其描绘出的连续曲线即为系统的\textbf{相轨迹}（Trajectory）。
定性分析
在复杂系统的动力学研究中，对二维线性系统的研究重点往往不再局限于求解微分方程的显式时间解析解 $\mathbf{x}(t)$，更重要的是俯瞰这些轨迹在相平面中的整体拓扑分布。通过考察轨迹的几何形状、流动趋势以及它们与特殊点（不动点）的相对关系，可以在不强求解析解的情况下，直接把握系统的宏观定性行为。
对于无阻尼弹簧振子而言，对应到相平面上，轨迹不会相交，而是表现为一系列围绕原点（平衡点）的闭合椭圆。这种首尾相连的封闭轨迹，在几何上完美诠释了该保守系统的能量守恒特性与周期性机械振荡。
不动点与稳定性
在相平面的研究中，除了把握整体轨迹的几何拓扑，另一个核心问题是系统在平衡状态附近的局部演化行为。若系统在某一点处满足 $\dot{\mathbf{x}} = A\mathbf{x} = \mathbf{0}$，则称该点为系统的\textbf{不动点}（Fixed point）或\textbf{平衡点}（Equilibrium point）。对于非奇异的二维线性系统而言，原点 $(0,0)$ 通常是最基本的不动点。
稳定性的层级分类
在线性系统中，常用的稳定性概念包括：
- 吸引的 (Attracting)：若从不动点附近出发的轨迹在 $t \to \infty$ 时都收敛到该点。
- 李雅普诺夫稳定 (Lyapunov stable)：若任意足够靠近不动点的初始条件产生的轨迹，在未来始终保持在给定的较小邻域内。
- 渐近稳定 (Asymptotically stable)：若一个不动点同时满足上述两个条件。
- 中性稳定 (Neutrally stable)：轨迹始终保持在平衡点附近但不向其收敛（如无阻尼谐振子的闭合椭圆）。
- 不稳定 (Unstable)：无论扰动多么微小，轨迹都可能逐渐远离平衡点。
基于特征值、迹与行列式的分类
对于二维线性系统，局部几何结构可以由矩阵 $A$ 的特征值完全刻画。设矩阵 $A$ 的两个特征值为 $\lambda_1, \lambda_2$，其迹（Trace）与行列式（Determinant）分别为：
$$ T = \lambda_1 + \lambda_2, \quad \Delta = \lambda_1 \lambda_2 $$
根据特征方程 $\lambda^2 - T\lambda + \Delta = 0$，由求根公式可得：
$$ \lambda_{1,2} = \frac{T \pm \sqrt{T^2 - 4\Delta}}{2} $$
因此，二维线性系统不动点的类型可统一由 $T, \Delta$ 以及判别式 $T^2 - 4\Delta$ 来决定。
在线性化和非线性系统分析中的作用
管现实世界中的许多系统具有非线性特征，但线性系统在非线性系统分析中仍然具有基础性作用。一个重要原因是，许多非线性动力系统在平衡点或不动点附近的局部行为，可以通过相应的线性系统近似描述。
设一个连续时间非线性动力系统为
dx/dt=F(x),
其中 x∈Rn 为状态向量，F(x) 为非线性向量场。若 x∗ 是系统的不动点，即
F(x∗)=0,
则在该点附近可令
ξ=x−x∗.
通过泰勒展开，系统可近似为
dξ/dt=J(x∗)ξ,
其中
J(x∗)=∂F/∂x|x=x∗
称为该非线性系统在不动点处的雅可比矩阵。因此，非线性系统在不动点附近的局部行为，通常可以由一个线性常系数系统来近似刻画。
这种方法称为线性化。通过分析雅可比矩阵的特征值，可以判断不动点附近的局部稳定性。例如，若所有特征值的实部均小于零，则该不动点通常是局部稳定的；若存在特征值的实部大于零，则该不动点通常是不稳定的。若特征值为复数，则系统可能表现出振荡、螺旋收敛或螺旋发散等相空间行为。
因此，线性系统不仅本身具有独立的研究价值，也构成了研究非线性动力系统的重要基础。特别是在二维及更高维相空间中，线性系统可以用于刻画稳定节点、鞍点、焦点、中心等典型局部结构。这些结构为理解更复杂的非线性现象，如分岔、极限环和混沌等，提供了基本分析框架。
经典实例：二维谐振子系统
为了更直观地理解线性系统的降维与重构，我们以经典的无阻尼弹簧振子为例。假设一个质量为 $m$ 的物体连接在劲度系数为 $k$ 的弹簧上，其偏离平衡位置的位移记为 $x$。根据牛顿第二定律与胡克定律，该系统满足以下二阶常微分方程：
$$ m\ddot{x} + kx = 0 $$
为了将其转化为动力系统分析中标准的“一阶方程组”形式，我们引入速度变量 $v = \dot{x}$。此时，原方程可降阶并改写为：
$$ \dot{v} = -\frac{k}{m}x $$
联立上述两式，即可得到该二维线性系统的矩阵表达形式：
$$ \begin{pmatrix} \dot{x} \\ \dot{v} \end{pmatrix} = \begin{pmatrix} 0 & 1 \\ -\frac{k}{m} & 0 \end{pmatrix} \begin{pmatrix} x \\ v \end{pmatrix} $$
从该演化方程可以看出，要完全确定系统未来的状态，仅仅知道位置 $x$ 这个物理量是不够的，还必须掌握系统当下的速度 $v$。因此，描述该系统的自然状态空间不再是一维的直线，而是由位置与速度构成的二维\textbf{相平面}（Phase plane），即 $(x, v)$ 空间。