在向量微积分学中，雅可比矩阵是向量对应的函数（就是多变量函数，多个变量可以理解为一个向量，因此多变量函数就是向量函数）的一阶偏微分以一定方式排列形成的矩阵。

如果这个矩阵为方阵，那么这个方阵的行列式叫雅可比行列式。

假设函数f可以将一个n维向量 x ⃗ \vec{x} x （ x ⃗ ∈ R n \vec{x}\in R^n x ∈Rn）变成一个m维向量f( x ⃗ \vec{x} x ), f ( x ⃗ ) ∈ R m f(\vec{x})\in R^m f(x )∈Rm， （显然f是由m个实函数组成的函数） 则函数f的雅可比矩阵 J f J_f Jf​可以定义如下： J f = [ ∂ f ∂ x 1 . . . ∂ f ∂ x n ] = [ ∂ f 1 ∂ x 1 . . . ∂ f 1 ∂ x n ⋮ ⋱ ⋮ ∂ f m ∂ x 1 . . . ∂ f m ∂ x n ] J_f= \left[ \begin{matrix} \frac{\partial f}{\partial x_1} ; ... ; \frac{\partial f}{\partial x_n} \end{matrix} \right]= \left[ \begin{matrix} \frac{\partial f_1}{\partial x_1} ; ... ; \frac{\partial f_1}{\partial x_n} \\ \vdots ; \ddots ; \vdots\\ \frac{\partial f_m}{\partial x_1} ; ... ; \frac{\partial f_m}{\partial x_n} \\ \end{matrix} \right] Jf​=[∂x1​∂f​​...​∂xn​∂f​​]=⎣⎢⎡​∂x1​∂f1​​⋮∂x1​∂fm​​​...⋱...​∂xn​∂f1​​⋮∂xn​∂fm​​​⎦⎥⎤​

对于单个元素而言，可以定义如下： J i j = ∂ f i ∂ x j J_{ij}=\frac{\partial f_i}{\partial x_j} Jij​=∂xj​∂fi​​

函数f的雅可比矩阵的其它标记方法为 ∂ ( f 1 , . . . , f m ) ∂ ( x 1 , . . . , x n \frac{\partial (f_1, ..., f_m)}{\partial (x_1, ..., x_n} ∂(x1​,...,xn​∂(f1​,...,fm​)​

3.1 设函数f为二维空间到二维空间的变换 3.2 极坐标到笛卡尔坐标的变换 3.3 球坐标到笛卡尔坐标的变换 3.4 三维空间到四维空间的变换 3.5 三维空间到三维空间的变换

雅可比矩阵 J f ( p ) J_f(p) Jf​(p)就是函数f在n维空间某点p处的导数，它是一个线性映射（因为它是一个矩阵，矩阵本身代表着线性变换），它代表着函数f在点p处的最优线性逼近，也就是当x足够靠近点p时，我们有 f ( x ) ≈ f ( p ) + J f ( p ) ∗ ( x − p ) f(x)\thickapprox f(p)+J_f(p)*(x-p) f(x)≈f(p)+Jf​(p)∗(x−p)

这跟2维空间中在某点附近线性逼近一段曲线很类似，如果雅可比矩阵只有一个元素，它就等于2维空间中曲线在某点处的导数。

代表经过变换后的空间与原空间的面积（2维）、体积（3维）等等的比例，也有人称缩放因子。

https://en.wikipedia.org/wiki/Jacobian_matrix_and_determinant