昆仑山:眼中无形心中有穴之穴人合一

夫君子之行，静以修身，俭以养德；非澹泊无以明志，非宁静无以致远。夫学须静也，才须学也；非学无以广才，非志无以成学。怠慢则不能励精，险躁则不能冶性。年与时驰，意与岁去，遂成枯落，多不接世。悲守穷庐，将复何及！

 

1.欧氏空间的映射

欧氏空间的映射与微分 完整讲解与推导

我将以60余年微分几何教学与研究的经验，从基础概念出发，逐层拆解知识点，完成完整的定理证明，最后用表格系统归纳核心内容，帮你搭建起微分几何最核心的“局部线性化”思维框架。

一、前置基础：m维欧氏空间的定义与记号

微分几何的研究载体是欧氏空间，我们先明确最基础的概念与记号规范，这是后续所有内容的基石。

1.1 欧氏空间的定义

设 \(\mathbb{R}^m\) 是m个有序实数组的全体，其中的元素（称为点）记为：

\[x=(x^1,x^2,\dots,x^m),\quad x^i\in\mathbb{R}\ (i=1,2,\dots,m) \]

关键记号说明：这里的上标 \(i\) 是坐标指标，不是幂次！这是微分几何的通用记号规范，区分逆变/协变指标，初学者务必注意和幂运算区分。

对 \(\mathbb{R}^m\) 中任意两点 \(x=(x^1,\dots,x^m)\)、\(y=(y^1,\dots,y^m)\)，定义欧氏距离：

\[d(x,y)=\|x-y\|=\left[\sum_{i=1}^m (x^i-y^i)^2\right]^{1/2} \tag{1.1.1} \]

该距离满足度量空间三公理（非负性、对称性、三角不等式），因此赋予欧氏距离的 \(\mathbb{R}^m\) 成为度量空间，称为m维欧氏空间，常用 \(E^m\) 表示，后续无混淆时不再区分 \(\mathbb{R}^m\) 和 \(E^m\)。

1.2 点与向量的等同

坐标全为0的点 \(O=(0,0,\dots,0)\) 称为原点。任意点 \(x\in\mathbb{R}^m\) 都可看作从原点出发的向量，向量的长度就是 \(\|x\|=\|x-O\|\)。

这一等同是核心：欧氏空间中的点可以做线性运算（加法、数乘），为后续“微分是线性映射”的定义提供了代数基础。

二、欧氏空间之间的映射：分量表示

我们研究的核心对象，是从m维欧氏空间的开子集到n维欧氏空间的映射，先明确映射的表示方法。

2.1 映射的基本定义

设 \(U\) 是 \(\mathbb{R}^m\) 的开子集（开集保证每个点都有邻域包含在 \(U\) 中，可做局部极限运算，是微分局部性的要求），定义映射：

\[F:U\to F(U)\subset\mathbb{R}^n,\quad x\mapsto y=F(x) \]

其中定义域的点 \(x=(x^1,\dots,x^m)\in U\subset\mathbb{R}^m\)，像点 \(y=(y^1,\dots,y^n)\in\mathbb{R}^n\)。

2.2 投影映射与分量函数

为了把高维映射转化为我们熟悉的多元函数，引入投影映射：

\[\pi^\alpha:\mathbb{R}^n\to\mathbb{R},\quad \pi^\alpha(y^1,\dots,y^n)=y^\alpha \quad (\alpha=1,2,\dots,n) \tag{1.1.2} \]

投影映射是线性、连续的，作用是提取 \(\mathbb{R}^n\) 中点的第 \(\alpha\) 个坐标。

借助投影映射，我们可以把映射 \(F\) 拆解为分量函数：对每个 \(\alpha=1,\dots,n\)，定义

\[f^\alpha = \pi^\alpha \circ F: U\to\mathbb{R} \]

即 \(f^\alpha(x)=\pi^\alpha(F(x))\)，\(f^\alpha\) 是定义在 \(U\) 上的m元实值函数，称为映射 \(F\) 的第 \(\alpha\) 个分量函数。

由此，映射 \(F\) 可以完全表示为分量函数的形式：

\[y=F(x)=(f^1(x),f^2(x),\dots,f^n(x)),\quad x\in U \tag{1.1.3} \]

核心结论：欧氏空间之间的映射，与一组多元实值函数一一对应。反过来，任意n个定义在 \(U\) 上的m元函数 \(f^1,\dots,f^n\)，都能唯一确定一个映射 \(F:U\to\mathbb{R}^n\)。这一对应把高维映射的研究，完全转化为多元函数的研究。

2.3 经典特例：\(\mathbb{R}^n\) 中的参数曲线

当 \(m=1\) 时，\(U\) 是 \(\mathbb{R}\) 中的开区间 \((a,b)\)，此时映射

\[F:(a,b)\to\mathbb{R}^n,\quad t\mapsto F(t)=(f^1(t),f^2(t),\dots,f^n(t)) \]

就是 \(\mathbb{R}^n\) 中的参数曲线，\(t\) 为参数。这是微分几何曲线论的核心研究对象，也是映射的最基础实例。

三、映射的可微性定义

我们已经熟悉一元函数、多元实函数的可微性，现在将其推广到欧氏空间的映射。

3.1 多元实函数可微的回顾

先回顾m元实函数 \(f:U\to\mathbb{R}\)（\(U\subset\mathbb{R}^m\) 开集）在点 \(a\in U\) 可微的定义：
存在常数 \(C_1,C_2,\dots,C_m\)，使得

\[f(x)=f(a)+\sum_{i=1}^m C_i(x^i-a^i) + \|x-a\| r(x,a) \]

且满足 \(\lim\limits_{x\to a} r(x,a)=0\)。
其中常数 \(C_i\) 就是 \(f\) 在 \(a\) 点对 \(x^i\) 的偏导数 \(\frac{\partial f}{\partial x^i}\bigg|_{x=a}\)，线性项就是全微分。

3.2 映射可微性的定义

映射的可微性，是逐分量定义的，完全由其分量函数的可微性决定：

定义1.1.1 映射的可微性
设 \(U\subset\mathbb{R}^m\) 是开集，\(F:U\to\mathbb{R}^n\) 是映射，\(a\in U\)。

  1. 若 \(F\) 的每一个分量函数 \(f^1,f^2,\dots,f^n\) 都在点 \(a\) 处可微，则称映射 \(F\) 在点 \(a\) 处可微；
  2. 若每个分量函数 \(f^\alpha\) 在 \(a\) 点的所有 \(\leq k\) 阶偏导数都存在且连续，则称 \(F\) 在 \(a\) 点是\(C^k\) 映射（k阶连续可微）；
  3. 若每个分量函数都任意阶连续可微（\(C^\infty\)），则称 \(F\) 为光滑映射；
  4. 若每个分量函数都可展开为收敛的幂级数（\(C^\omega\)），则称 \(F\) 为实解析映射。

若 \(F\) 在开集 \(U\) 的每一点都满足上述性质，则称 \(F\) 在 \(U\) 上可微（\(C^k/C^\infty/C^\omega\)）。

四、Jacobi矩阵（雅可比矩阵）：微分的矩阵表示

映射的可微性由分量函数的偏导数决定，我们将这些偏导数排成矩阵，就得到了映射的核心工具——Jacobi矩阵，它是映射微分的矩阵表示。

4.1 Jacobi矩阵的定义

设 \(U\subset\mathbb{R}^m\) 是开集，\(F:U\to\mathbb{R}^n\) 在 \(U\) 上可微，对任意 \(x\in U\)，定义n行m列的矩阵：

\[\frac{\partial(f^1,f^2,\dots,f^n)}{\partial(x^1,x^2,\dots,x^m)} = \begin{pmatrix} \frac{\partial f^1}{\partial x^1} & \frac{\partial f^1}{\partial x^2} & \dots & \frac{\partial f^1}{\partial x^m} \\ \vdots & \vdots & \ddots & \vdots \\ \frac{\partial f^n}{\partial x^1} & \frac{\partial f^n}{\partial x^2} & \dots & \frac{\partial f^n}{\partial x^m} \end{pmatrix}\]

该矩阵称为映射 \(F\) 在 \(x\) 点的Jacobi矩阵，简记为 \(DF(x)\) 或 \(F'(x)\)。

4.2 核心说明

  1. 维度规则：Jacobi矩阵的行数=像空间维数 \(n\)，列数=定义域维数 \(m\)，对应 \(\mathbb{R}^m\to\mathbb{R}^n\) 的线性映射；
  2. 元素规则：第 \(\alpha\) 行第 \(i\) 列的元素，是第 \(\alpha\) 个分量函数 \(f^\alpha\) 对第 \(i\) 个坐标 \(x^i\) 的偏导数 \(\frac{\partial f^\alpha}{\partial x^i}\)，行对应分量，列对应变量；
  3. 光滑性对应：若 \(F\) 是 \(C^k\) 映射，则其Jacobi矩阵的所有元素都是 \(U\) 上的 \(C^{k-1}\) 函数；
  4. 经典特例：
    • 当 \(n=1\) 时，\(F\) 是m元实函数，Jacobi矩阵是 \(1\times m\) 行矩阵，即函数的梯度 \(\nabla f\)；
    • 当 \(m=n=1\) 时，\(F\) 是一元函数，Jacobi矩阵是 \(1\times1\) 矩阵，元素就是一元函数的导数 \(f'(x)\)；
    • 当 \(m=1\) 时，\(F\) 是 \(\mathbb{R}^n\) 中的参数曲线，Jacobi矩阵是 \(n\times1\) 列矩阵，元素就是曲线的切向量 \((\frac{df^1}{dt},\dots,\frac{df^n}{dt})\)。

五、核心定理：映射可微的充要条件（完整证明）

这个定理是整个内容的核心，它揭示了微分的本质：用线性映射局部逼近非线性映射，将一元函数可微的核心思想，完整推广到高维映射。

5.1 定理内容

定理1.1.1 设 \(U\) 是 \(\mathbb{R}^m\) 的开子集，映射 \(F:U\to\mathbb{R}^n\)，点 \(a\in U\)。则 \(F\) 在点 \(a\) 处可微的充要条件是：
存在一个线性映射 \(A:\mathbb{R}^m\to\mathbb{R}^n\)，以及n维向量值函数 \(R(x,a)=(r^1(x,a),r^2(x,a),\dots,r^n(x,a))\)，使得

\[F(x) = F(a) + A(x-a) + \|x-a\| R(x,a) \tag{1.1.4} \]

且满足极限条件

\[\lim_{x\to a} \|R(x,a)\| = 0 \tag{1.1.5} \]

5.2 定理的意义

这个式子的本质是：在点 \(a\) 附近，非线性映射 \(F\) 可以分解为三部分：

  • \(F(a)\)：常数平移项；
  • \(A(x-a)\)：线性映射项，也就是 \(F\) 在 \(a\) 点的微分，是对非线性映射的线性逼近；
  • \(\|x-a\| R(x,a)\)：高阶无穷小余项，当 \(x\to a\) 时，余项是比 \(\|x-a\|\) 更高阶的无穷小。

一句话总结：映射在一点可微，等价于它在该点可以被线性映射“完美逼近”，误差为高阶无穷小。

5.3 前置引理：向量范数极限与分量极限的等价性

证明前先证明一个核心引理，它是连接向量值极限和分量极限的桥梁：
对 \(\mathbb{R}^n\) 中的向量值函数 \(R(x,a)=(r^1(x,a),\dots,r^n(x,a))\)，有

\[\lim_{x\to a} \|R(x,a)\| = 0 \iff \lim_{x\to a} r^\alpha(x,a) = 0,\quad \forall \alpha=1,2,\dots,n \]

引理证明：

  1. 必要性（\(\Rightarrow\)）：若 \(\lim\limits_{x\to a} \|R(x,a)\|=0\)，则对任意 \(\alpha\)，有

\[|r^\alpha(x,a)| = \sqrt{(r^\alpha(x,a))^2} \leq \sqrt{\sum_{\beta=1}^n (r^\beta(x,a))^2} = \|R(x,a)\| \]

由夹逼准则，\(\lim\limits_{x\to a} r^\alpha(x,a)=0\)。

  1. 充分性（\(\Leftarrow\)）：若对所有 \(\alpha\)，\(\lim\limits_{x\to a} r^\alpha(x,a)=0\)，则

\[\lim_{x\to a} \|R(x,a)\|^2 = \lim_{x\to a} \sum_{\alpha=1}^n (r^\alpha(x,a))^2 = \sum_{\alpha=1}^n \lim_{x\to a} (r^\alpha(x,a))^2 = 0 \]

因此 \(\lim\limits_{x\to a} \|R(x,a)\|=0\)。

引理证毕。

5.4 定理的完整证明

我们分必要性和充分性两部分完成证明，无任何跳步。

第一部分：必要性（\(\Rightarrow\)）：若F在a点可微，则满足定理条件

已知：\(F\) 在 \(a\) 点可微，即每个分量函数 \(f^\alpha\) 都在 \(a\) 点可微。

根据多元实函数可微的定义，对每个 \(\alpha=1,\dots,n\)，存在常数 \(C_1^\alpha,C_2^\alpha,\dots,C_m^\alpha\)，使得

\[f^\alpha(x) = f^\alpha(a) + \sum_{i=1}^m C_i^\alpha (x^i - a^i) + \|x-a\| r^\alpha(x,a) \tag{*} \]

且满足 \(\lim\limits_{x\to a} r^\alpha(x,a)=0\)，其中 \(C_i^\alpha = \frac{\partial f^\alpha}{\partial x^i}\bigg|_{x=a}\)（多元函数可微必可偏导，全微分系数为偏导数）。

现在将n个分量的式子（*）整合为向量形式：

  1. 左边：\(F(x)=(f^1(x),f^2(x),\dots,f^n(x))\)，常数项 \(F(a)=(f^1(a),\dots,f^n(a))\)；
  2. 线性项：将系数 \(C_i^\alpha\) 排成 \(n\times m\) 矩阵 \(A=(A_{\alpha i})\)，其中 \(A_{\alpha i}=C_i^\alpha=\frac{\partial f^\alpha}{\partial x^i}\bigg|_{x=a}\)。
    对向量 \(h=x-a=(x^1-a^1,\dots,x^m-a^m)\)，线性映射 \(A(h)\) 的第 \(\alpha\) 个分量为 \(\sum_{i=1}^m A_{\alpha i} h^i = \sum_{i=1}^m C_i^\alpha (x^i-a^i)\)，因此整个线性项为 \(A(x-a)\)；
  3. 余项项：将分量余项整合为向量 \(R(x,a)=(r^1(x,a),\dots,r^n(x,a))\)，则整体余项为 \(\|x-a\| R(x,a)\)。

将三部分合并，得到：

\[F(x) = F(a) + A(x-a) + \|x-a\| R(x,a) \]

即式（1.1.4）。

再验证极限条件：由每个 \(f^\alpha\) 可微，得 \(\lim\limits_{x\to a} r^\alpha(x,a)=0\)，根据前置引理，直接推出 \(\lim\limits_{x\to a} \|R(x,a)\|=0\)，即式（1.1.5）。

必要性证毕。

第二部分：充分性（\(\Leftarrow\)）：若满足定理条件，则F在a点可微

已知：存在线性映射 \(A:\mathbb{R}^m\to\mathbb{R}^n\) 和向量值函数 \(R(x,a)\)，使得式（1.1.4）和（1.1.5）成立。

我们需要证明：\(F\) 的每个分量函数 \(f^\alpha\) 都在 \(a\) 点可微，从而 \(F\) 在 \(a\) 点可微。

首先，将式（1.1.4）按分量展开：设线性映射 \(A\) 对应的矩阵为 \((A_{\alpha i})\)，\(R(x,a)=(r^1(x,a),\dots,r^n(x,a))\)，则式（1.1.4）的第 \(\alpha\) 个分量为：

\[f^\alpha(x) = f^\alpha(a) + \sum_{i=1}^m A_{\alpha i} (x^i - a^i) + \|x-a\| r^\alpha(x,a) \tag{**} \]

由已知条件 \(\lim\limits_{x\to a} \|R(x,a)\|=0\)，根据前置引理，对所有 \(\alpha=1,\dots,n\)，有 \(\lim\limits_{x\to a} r^\alpha(x,a)=0\)。

此时式（）完全符合m元实函数可微的定义**：存在常数 \(A_{\alpha 1},\dots,A_{\alpha m}\)，使得 \(f^\alpha(x)\) 可表示为常数项+线性项+\(\|x-a\|\) 乘以趋于0的函数，因此每个 \(f^\alpha\) 都在 \(a\) 点可微。

根据映射可微的定义，所有分量函数可微，则映射 \(F\) 在 \(a\) 点可微。

充分性证毕。

综上，必要性与充分性均成立，定理得证。

5.5 核心推论：微分的唯一性

满足定理条件的线性映射 \(A\) 是唯一的，它就是 \(F\) 在 \(a\) 点的Jacobi矩阵对应的线性映射，称为 \(F\) 在 \(a\) 点的微分，记为 \(dF_a\) 或 \(DF(a)\)。

唯一性证明：若存在两个线性映射 \(A_1,A_2\) 都满足定理条件，则两式相减得：

\[(A_1-A_2)(x-a) = \|x-a\| (R_2(x,a)-R_1(x,a)) \]

两边除以 \(\|x-a\|\)，令 \(x\to a\)，右边趋于0，左边对任意单位向量 \(h\) 都有 \((A_1-A_2)(h)=0\)，因此 \(A_1-A_2\) 是零映射，即 \(A_1=A_2\)。

六、核心知识点系统归纳表

知识点分类 名称 定义/数学表达式 核心说明与备注
基础空间概念 m维欧氏空间 \(\mathbb{R}^m\)（\(E^m\)） 全体m元有序实数组的集合，元素 \(x=(x^1,\dots,x^m)\)；
欧氏距离 \(d(x,y)=|x-y|=\left[\sum_{i=1}^m (x^i-y^i)^2\right]^{1/2}\)		 1. 上标为坐标指标，非幂次；
2. 赋予欧氏距离后成为度量空间；
3. 点与原点出发的向量等同，可做线性运算
映射的表示 欧氏空间的映射 \(F\) \(U\subset\mathbb{R}^m\) 为开集，\(F:U\to\mathbb{R}^n\)，\(x\mapsto F(x)\) 定义域为开集，保证局部极限运算可进行，符合微分的局部性
映射的表示 投影映射 \(\pi^\alpha\) \(\pi^\alpha:\mathbb{R}^n\to\mathbb{R}\)，\(\pi^\alpha(y^1,\dots,y^n)=y^\alpha\) 线性连续映射，用于将高维映射拆解为分量函数
映射的表示 分量函数 \(f^\alpha\) \(f^\alpha=\pi^\alpha\circ F:U\to\mathbb{R}\)，映射可表示为 \(F(x)=(f^1(x),\dots,f^n(x))\) 1. 每个 \(f^\alpha\) 是m元实值函数；
2. 映射与n个分量函数一一对应，将高维问题转化为多元函数问题
映射的表示 特例：\(\mathbb{R}^n\) 中的参数曲线 \(m=1\)，\(U=(a,b)\)，\(F:(a,b)\to\mathbb{R}^n\)，\(t\mapsto F(t)=(f^1(t),\dots,f^n(t))\) 微分几何曲线论的核心研究对象，Jacobi矩阵对应曲线的切向量
可微性定义 映射的可微性 若 \(F\) 的每个分量函数 \(f^\alpha\) 都在 \(a\in U\) 可微，则称 \(F\) 在 \(a\) 处可微 映射的可微性是逐分量定义的，完全由分量函数的可微性决定
可微性定义 \(C^k\) 映射（k阶连续可微） 每个分量函数的所有 \(\leq k\) 阶偏导数都存在且连续 1. \(C^0\) 为连续映射，\(C^1\) 为一阶连续可微；
2. \(C^k\) 映射的Jacobi矩阵元素为 \(C^{k-1}\) 函数
可微性定义 光滑映射（\(C^\infty\) 映射） 每个分量函数任意阶连续可微 微分几何最常用的映射类，是流形光滑结构的基础
可微性定义 实解析映射（\(C^\omega\) 映射） 每个分量函数可展开为收敛的幂级数 光滑性强于 \(C^\infty\)，是性质最好的可微映射
核心矩阵 Jacobi矩阵 \(DF(x)\) \(n\times m\) 矩阵，\(\frac{\partial(f^1,\dots,f^n)}{\partial(x^1,\dots,x^m)}=\left[\frac{\partial f^\alpha}{\partial x^i}\right]_{n\times m}\) 1. 行数=像空间维数n，列数=定义域维数m；
2. 是微分 \(dF_x\) 的矩阵表示；
3. \(n=1\) 时为梯度，\(m=n=1\) 时为一元函数导数
核心定理 映射可微的充要条件 \(F\) 在 \(a\) 可微 \(\iff\) 存在唯一线性映射 \(A:\mathbb{R}^m\to\mathbb{R}^n\)，使得：
1. \(F(x)=F(a)+A(x-a)+|x-a|R(x,a)\)；
2. \(\lim\limits_{x\to a}|R(x,a)|=0\)		 1. 揭示微分的本质：用线性映射局部逼近非线性映射，余项为高阶无穷小；
2. 唯一的线性映射 \(A\) 就是微分 \(dF_a\)，矩阵为 \(DF(a)\)；
3. 是一元函数可微定义的高维推广，是链规则的理论基础
核心推论 微分的唯一性 满足定理条件的线性映射 \(A\) 唯一，等于Jacobi矩阵对应的线性映射 保证微分的定义是良定的，无歧义

最终总结

这部分内容是微分几何的“微积分基石”，核心完成了两个关键推广：

  1. 把一元/多元实函数，推广到高维欧氏空间之间的映射，通过分量函数实现了高维问题到多元函数问题的转化；
  2. 把一元函数的导数、多元函数的全微分，推广到高维映射的微分——一个线性映射，核心思想是局部线性化，这个思想贯穿了整个微分几何，后续流形的切映射、子流形的嵌入、微分形式的外微分，都是基于这个核心思想展开的。

欧氏空间映射的链规则与光滑截断函数 完整讲解与证明

承接上一节映射可微性的核心结论，我们继续讲解微分的核心运算性质——复合映射的链规则，以及微分几何中至关重要的光滑截断函数定理，这两部分内容是从局部微分性质过渡到整体几何构造的核心基础。

一、微分与Jacobi矩阵的对应关系

上一节我们证明了：映射 \(F:U\to\mathbb{R}^n\) 在点 \(a\in U\) 可微的充要条件是存在唯一的线性映射 \(A:\mathbb{R}^m\to\mathbb{R}^n\)，使得

\[F(x) = F(a) + A(x-a) + \|x-a\| R(x,a),\quad \lim_{x\to a}\|R(x,a)\|=0 \]

现在我们明确这个唯一线性映射的具体形式。

1.1 微分的矩阵表示

对可微映射 \(F\)，其分量函数为 \(f^\alpha(x)\ (\alpha=1,\dots,n)\)，根据多元函数可微的性质，全微分的系数就是偏导数，即式中线性项的系数

\[C_i^\alpha = \frac{\partial f^\alpha}{\partial x^i}(a),\quad i=1,\dots,m;\ \alpha=1,\dots,n \]

因此线性映射 \(A\) 对应的 \(n\times m\) 矩阵 \((A_{\alpha i})\) 的元素为

\[A_{\alpha i} = \frac{\partial f^\alpha}{\partial x^i}(a) \]

这个矩阵正是 \(F\) 在 \(a\) 点的Jacobi矩阵，记为 \(DF(a)\)。

我们将这个唯一的线性映射 \(A:\mathbb{R}^m\to\mathbb{R}^n\) 称为映射 \(F\) 在 \(a\) 点的微分，也用 \(DF(a)\) 表示（矩阵与线性映射一一对应，无混淆时共用记号）。

由此，映射可微的核心表达式可以改写为：

\[F(x) = F(a) + DF(a)(x-a) + \|x-a\| R(x,a) \tag{1.1.4}' \]

核心意义：这个式子是一元函数微分公式 \(f(x)=f(a)+f'(a)(x-a)+o(x-a)\) 在高维映射的完整推广。微分 \(DF(a)\) 就是一元函数导数的高维对应，它是一个线性映射，实现了定义域的切空间到像空间的切空间的线性变换，这是后续流形切映射的核心原型。

二、复合映射的链规则定理（定理1.1.2）

链规则是微分运算的核心性质，它揭示了复合映射的微分等于微分的复合，对应到矩阵就是Jacobi矩阵的乘积。

2.1 复合映射的定义

设 \(U\subset\mathbb{R}^m\)、\(V\subset\mathbb{R}^n\) 为开子集，给定两个映射：

  • \(F:U\to V\)，\(x\mapsto y=F(x)\)，分量函数为 \(f^1(x),\dots,f^n(x)\)；
  • \(G:V\to\mathbb{R}^p\)，\(y\mapsto z=G(y)\)，分量函数为 \(g^1(y),\dots,g^p(y)\)。

则定义复合映射 \(H=G\circ F:U\to\mathbb{R}^p\)，满足

\[H(x)=G(F(x)),\quad x\in U \]

其分量函数为多元函数的复合：

\[h^\lambda(x) = g^\lambda\circ F(x) = g^\lambda(f^1(x),f^2(x),\dots,f^n(x)),\quad \lambda=1,2,\dots,p \tag{1.1.6} \]

2.2 链规则定理的内容

定理1.1.2（链规则定理）
若映射 \(F\) 在点 \(a\in U\) 可微，映射 \(G\) 在点 \(b=F(a)\in V\) 可微，则复合映射 \(H=G\circ F\) 在点 \(a\) 可微，且其微分满足

\[DH(a) = DG(F(a)) \cdot DF(a) \tag{1.1.7} \]

若 \(F\) 在 \(U\) 上、\(G\) 在 \(V\) 上分别可微，则 \(H\) 在 \(U\) 上可微，且式(1.1.7)对任意 \(a\in U\) 成立。

核心解读：

  1. 维度匹配：\(DF(a)\) 是 \(n\times m\) 矩阵，\(DG(b)\) 是 \(p\times n\) 矩阵，二者乘积是 \(p\times m\) 矩阵，恰好是 \(DH(a)\) 的维度（\(H:\mathbb{R}^m\to\mathbb{R}^p\)），完全匹配；
  2. 本质意义：复合映射的微分，就是两个微分的复合（线性映射的复合对应矩阵的乘法），这说明微分运算保持复合结构，是微分几何中“局部线性化”思想的核心体现；
  3. 分量形式：对应到偏导数，就是多元函数复合求导的链规则：\(\frac{\partial h^\lambda}{\partial x^i}(a) = \sum_{\alpha=1}^n \frac{\partial g^\lambda}{\partial y^\alpha}(b) \cdot \frac{\partial f^\alpha}{\partial x^i}(a)\)，和矩阵乘法的元素计算完全一致。

2.3 定理的完整证明

我们将证明分为表达式展开、余项拆分、高阶无穷小验证三个步骤，无任何跳步。

步骤1：利用可微性展开两个映射

记 \(b=F(a)\)，\(y=F(x)\)。
由 \(F\) 在 \(a\) 点可微，得：

\[y - b = F(x) - F(a) = DF(a)(x-a) + \|x-a\| R_F(x,a) \tag{1} \]

其中 \(\lim\limits_{x\to a} \|R_F(x,a)\| = 0\)。

由 \(G\) 在 \(b\) 点可微，得：

\[G(y) - G(b) = DG(b)(y-b) + \|y-b\| R_G(y,b) \tag{2} \]

其中 \(\lim\limits_{y\to b} \|R_G(y,b)\| = 0\)。

而 \(H(x)-H(a)=G(F(x))-G(F(a))=G(y)-G(b)\)，将式(1)代入式(2)，得：

\[\begin{align*} H(x)-H(a) &= DG(b)\cdot\left[ DF(a)(x-a) + \|x-a\| R_F(x,a) \right] + \|y-b\| R_G(y,b) \\ &= DG(b)\cdot DF(a) (x-a) + \|x-a\| \cdot DG(b) R_F(x,a) + \|y-b\| R_G(y,b) \end{align*} \]

步骤2：整理余项，统一形式

我们将后两项合并为余项，提取公因子 \(\|x-a\|\)：

\[H(x)-H(a) = DG(b)\cdot DF(a) (x-a) + \|x-a\| \cdot R_H(x,a) \]

其中余项

\[R_H(x,a) = DG(b) R_F(x,a) + \frac{\|F(x)-F(a)\|}{\|x-a\|} R_G(y,b) \]

根据定理1.1.1，我们只需证明 \(\lim\limits_{x\to a} \|R_H(x,a)\| = 0\)，即可证明 \(H\) 在 \(a\) 点可微，且微分 \(DH(a)=DG(b)\cdot DF(a)\)。

步骤3：验证余项的极限为0

我们分别估计余项的两部分的范数，利用三角不等式 \(\|A+B\| \leq \|A\| + \|B\|\)，只需证明两部分都趋于0即可。

第一部分：\(\| DG(b) R_F(x,a) \|\) 的极限

矩阵的范数满足相容性不等式：对任意矩阵 \(M\) 和向量 \(v\)，有 \(\|Mv\| \leq \|M\| \cdot \|v\|\)（这里 \(\|M\|\) 是矩阵的Frobenius范数，即所有元素平方和的平方根，是常数）。

因此：

\[\| DG(b) R_F(x,a) \| \leq \| DG(b) \| \cdot \| R_F(x,a) \| \]

由 \(F\) 可微，\(\lim\limits_{x\to a} \|R_F(x,a)\|=0\)，而 \(\|DG(b)\|\) 是与 \(x\) 无关的常数，因此

\[\lim_{x\to a} \| DG(b) R_F(x,a) \| = 0 \]

第二部分：\(\left\| \frac{\|F(x)-F(a)\|}{\|x-a\|} R_G(y,b) \right\|\) 的极限

首先估计 \(\frac{\|F(x)-F(a)\|}{\|x-a\|}\) 的有界性：
由式(1)，根据三角不等式：

\[\|F(x)-F(a)\| = \| DF(a)(x-a) + \|x-a\| R_F(x,a) \| \leq \|DF(a)(x-a)\| + \|x-a\| \cdot \|R_F(x,a)\| \]

两边除以 \(\|x-a\|\)，得：

\[\frac{\|F(x)-F(a)\|}{\|x-a\|} \leq \frac{\|DF(a)(x-a)\|}{\|x-a\|} + \|R_F(x,a)\| \]

对线性映射 \(DF(a)\)，\(\frac{\|DF(a)(x-a)\|}{\|x-a\|} \leq \|DF(a)\|\)（矩阵范数的定义），因此：

\[\frac{\|F(x)-F(a)\|}{\|x-a\|} \leq \|DF(a)\| + \|R_F(x,a)\| \]

当 \(x\to a\) 时，\(\|R_F(x,a)\|\to0\)，因此这个分式在 \(x\to a\) 时是有界量，极限为 \(\|DF(a)\|\)。

再看 \(R_G(y,b)\)：当 \(x\to a\) 时，\(F(x)\to F(a)=b\)（可微必连续），即 \(y\to b\)，因此由 \(G\) 的可微性，\(\lim\limits_{x\to a} \|R_G(y,b)\| = \lim\limits_{y\to b} \|R_G(y,b)\| = 0\)。

因此，有界量乘以无穷小量仍为无穷小量，即：

\[\lim_{x\to a} \left\| \frac{\|F(x)-F(a)\|}{\|x-a\|} R_G(y,b) \right\| = 0 \]

最终余项极限

两部分都趋于0，因此由三角不等式：

\[\lim_{x\to a} \|R_H(x,a)\| \leq \lim_{x\to a} \| DG(b) R_F(x,a) \| + \lim_{x\to a} \left\| \frac{\|F(x)-F(a)\|}{\|x-a\|} R_G(y,b) \right\| = 0 \]

根据定理1.1.1，\(H\) 在 \(a\) 点可微，且微分 \(DH(a)=DG(F(a))\cdot DF(a)\)。

定理证毕。

2.4 链规则的推论：\(C^k\) 映射的复合封闭性

推论 若 \(F\) 在 \(U\) 上、\(G\) 在 \(V\) 上都是 \(C^k\) 映射（k阶连续可微），则复合映射 \(H=G\circ F\) 在 \(U\) 上也是 \(C^k\) 映射。

证明（仅证k=1的情况，一般情况用数学归纳法推广）：
当 \(F,G\) 都是 \(C^1\) 映射时，根据定义：

  • \(F\) 的Jacobi矩阵 \(DF\) 的所有元素 \(\frac{\partial f^\alpha}{\partial x^i}\) 都是 \(U\) 上的连续函数；
  • \(G\) 的Jacobi矩阵 \(DG\) 的所有元素 \(\frac{\partial g^\lambda}{\partial y^\alpha}\) 都是 \(V\) 上的连续函数。

根据链规则，\(DH=DG(F(x))\cdot DF(x)\)，矩阵乘积的元素是两个矩阵元素的乘积之和，即：

\[\frac{\partial h^\lambda}{\partial x^i}(x) = \sum_{\alpha=1}^n \frac{\partial g^\lambda}{\partial y^\alpha}(F(x)) \cdot \frac{\partial f^\alpha}{\partial x^i}(x) \]

其中：

  • \(\frac{\partial g^\lambda}{\partial y^\alpha}(F(x))\) 是连续函数的复合，仍为连续函数；
  • \(\frac{\partial f^\alpha}{\partial x^i}(x)\) 是连续函数；
  • 有限个连续函数的乘积、和仍为连续函数。

因此 \(DH\) 的所有元素都是 \(U\) 上的连续函数，即 \(H\) 的分量函数的一阶偏导数连续，故 \(H\) 是 \(C^1\) 映射。

对一般的 \(k>1\)，可通过数学归纳法：假设 \(k-1\) 时结论成立，对 \(k\) 阶偏导数，其本质是一阶偏导数的 \(k-1\) 阶偏导，因此仍保持连续性，故结论成立。

三、光滑截断函数定理（定理1.1.3）

这个定理是微分几何中局部性质推广到整体性质的核心工具，它保证了我们可以用光滑函数“截断”一个局部定义的函数，将其延拓到整个空间，同时保持光滑性，是单位分解定理的基础。

3.1 定理内容

定理1.1.3 设 \(C\subset\mathbb{R}^n\) 是闭集，\(K\subset\mathbb{R}^n\) 是紧集，且 \(C\cap K=\emptyset\)（二者不相交），则存在一个 \(C^\infty\) 函数 \(\sigma:\mathbb{R}^n\to\mathbb{R}\)，满足：

  1. 值域 \(\sigma(\mathbb{R}^n)\subset[0,1]\)；
  2. 在紧集 \(K\) 上，\(\sigma(x)\equiv1\)；
  3. 在闭集 \(C\) 上，\(\sigma(x)\equiv0\)。

3.2 定理的完整证明

证明分为两步：第一步构造局部光滑隆起函数（bump函数），第二步利用紧集的有限覆盖性质构造全局的截断函数。

步骤1：构造局部光滑隆起函数

我们先证明：对任意 \(a\in\mathbb{R}^n\)，\(\varepsilon>0\)，存在 \(C^\infty\) 函数 \(g:\mathbb{R}^n\to\mathbb{R}\)，满足：

  • 在闭球 \(\overline{B_{\varepsilon/2}(a)}\) 上，\(g(x)\equiv1\)；
  • 在开球 \(B_\varepsilon(a)\) 上，\(g(x)>0\)；
  • 在开球 \(B_\varepsilon(a)\) 的外部，\(g(x)\equiv0\)。

其中 \(B_r(a)=\{x\in\mathbb{R}^n\mid \|x-a\|<r\}\) 是以 \(a\) 为中心、\(r\) 为半径的开球，\(\overline{B_r(a)}\) 是对应的闭球。

子步骤1.1：构造一元光滑函数 \(h(t)\)

定义一元函数：

\[h(t) = \begin{cases} 0, & t\leq0 \\ e^{-\frac{1}{t}}, & t>0 \end{cases} \]

我们先证明 \(h(t)\) 是 \(\mathbb{R}\) 上的 \(C^\infty\) 函数：

  • 当 \(t<0\) 时，\(h(t)=0\)，任意阶导数都是0，光滑；
  • 当 \(t>0\) 时，\(h(t)=e^{-1/t}\) 是初等函数的复合，任意阶可导，光滑；
  • 关键验证 \(t=0\) 处的光滑性：用数学归纳法可证明，\(h(t)\) 在 \(t=0\) 处的任意阶右导数都为0，即 \(h^{(k)}(0)=0,\ \forall k\in\mathbb{N}\)。因此 \(h(t)\) 在整个 \(\mathbb{R}\) 上任意阶连续可导，是 \(C^\infty\) 函数。
子步骤1.2：构造径向光滑函数 \(\tilde{g}(x)\)

定义函数 \(\tilde{g}:\mathbb{R}^n\to\mathbb{R}\)：

\[\tilde{g}(x) = \frac{h(\varepsilon^2 - \|x\|^2)}{h(\varepsilon^2 - \|x\|^2) + h\left(\|x\|^2 - \frac{\varepsilon^2}{4}\right)} \]

我们验证它的性质：

  1. 分母恒不为0：对任意 \(x\in\mathbb{R}^n\)，\(\varepsilon^2 - \|x\|^2\) 和 \(\|x\|^2 - \varepsilon^2/4\) 不可能同时≤0：

    • 若 \(\varepsilon^2 - \|x\|^2 \leq0\)，则 \(\|x\|^2\geq\varepsilon^2\)，此时 \(\|x\|^2 - \varepsilon^2/4 \geq \varepsilon^2 - \varepsilon^2/4 = 3\varepsilon^2/4 >0\)，故 \(h\left(\|x\|^2 - \varepsilon^2/4\right)>0\)；
    • 若 \(\|x\|^2 - \varepsilon^2/4 \leq0\)，则 \(\|x\|^2\leq\varepsilon^2/4\)，此时 \(\varepsilon^2 - \|x\|^2 \geq \varepsilon^2 - \varepsilon^2/4 = 3\varepsilon^2/4 >0\)，故 \(h(\varepsilon^2 - \|x\|^2)>0\)。
      因此分母始终为正，\(\tilde{g}(x)\) 是良定的。

  2. 光滑性：\(h(t)\) 是 \(C^\infty\) 函数，\(\|x\|^2\) 是多项式（\(C^\infty\)），因此分子、分母都是 \(C^\infty\) 函数，且分母恒不为0，故 \(\tilde{g}(x)\) 是 \(\mathbb{R}^n\) 上的 \(C^\infty\) 函数。

  3. 取值性质：

    • 当 \(\|x\| \leq \varepsilon/2\) 时，\(\|x\|^2 - \varepsilon^2/4 \leq0\)，故 \(h\left(\|x\|^2 - \varepsilon^2/4\right)=0\)，因此 \(\tilde{g}(x)=\frac{h(\varepsilon^2 - \|x\|^2)}{h(\varepsilon^2 - \|x\|^2)}=1\)；
    • 当 \(\|x\| < \varepsilon\) 时，\(\varepsilon^2 - \|x\|^2 >0\)，故 \(h(\varepsilon^2 - \|x\|^2)>0\)，因此 \(\tilde{g}(x)>0\)；
    • 当 \(\|x\| \geq \varepsilon\) 时，\(\varepsilon^2 - \|x\|^2 \leq0\)，故 \(h(\varepsilon^2 - \|x\|^2)=0\)，因此 \(\tilde{g}(x)=0\)。
子步骤1.3：平移得到目标函数

令 \(g(x)=\tilde{g}(x-a)\)，则 \(g(x)\) 就是我们需要的函数：

  • 在 \(\overline{B_{\varepsilon/2}(a)}\) 上，\(g(x)\equiv1\)；
  • 在 \(B_\varepsilon(a)\) 上，\(g(x)>0\)；
  • 在 \(B_\varepsilon(a)\) 外，\(g(x)\equiv0\)；
  • 且 \(g(x)\) 是 \(C^\infty\) 函数。

步骤2：利用有限覆盖构造全局截断函数

已知 \(C\) 是闭集，故 \(\mathbb{R}^n - C\) 是开集；又 \(K\) 是紧集，且 \(K\cap C=\emptyset\)，因此 \(K\subset \mathbb{R}^n - C\)。

根据紧集的有限覆盖定理：开集 \(\mathbb{R}^n - C\) 覆盖了紧集 \(K\)，因此存在有限个开球 \(B_{\varepsilon_i}(a_i)\ (i=1,2,\dots,s)\)，满足：

  1. 每个 \(B_{\varepsilon_i}(a_i) \subset \mathbb{R}^n - C\)；
  2. 有限个开球覆盖 \(K\)，即 \(K\subset \bigcup_{i=1}^s B_{\varepsilon_i/2}(a_i)\)。

对每个开球 \(B_{\varepsilon_i}(a_i)\)，我们用步骤1构造对应的 \(C^\infty\) 函数 \(g_i(x)\)，满足：

  • 在 \(\overline{B_{\varepsilon_i/2}(a_i)}\) 上，\(g_i(x)\equiv1\)；
  • 在 \(B_{\varepsilon_i}(a_i)\) 上，\(g_i(x)>0\)；
  • 在 \(B_{\varepsilon_i}(a_i)\) 外，\(g_i(x)\equiv0\)。

现在定义函数：

\[\sigma(x) = 1 - \prod_{i=1}^s (1 - g_i(x)) \]

我们验证 \(\sigma(x)\) 满足定理的所有条件：

  1. 光滑性：每个 \(g_i(x)\) 是 \(C^\infty\) 函数，因此 \((1-g_i(x))\) 是 \(C^\infty\) 函数，有限个 \(C^\infty\) 函数的乘积、和仍为 \(C^\infty\) 函数，故 \(\sigma(x)\) 是 \(\mathbb{R}^n\) 上的 \(C^\infty\) 函数。

  2. 值域为 \([0,1]\)：对任意 \(x\)，\(0\leq g_i(x)\leq1\)，故 \(0\leq 1-g_i(x)\leq1\)，因此 \(0\leq \prod_{i=1}^s (1-g_i(x)) \leq1\)，故 \(0\leq \sigma(x)\leq1\)。

  3. 在 \(K\) 上 \(\sigma(x)\equiv1\)：对任意 \(x\in K\)，由覆盖性质，存在某个 \(i\) 使得 \(x\in B_{\varepsilon_i/2}(a_i)\)，因此 \(g_i(x)=1\)，故 \((1-g_i(x))=0\)，因此乘积 \(\prod_{i=1}^s (1-g_i(x))=0\)，故 \(\sigma(x)=1-0=1\)。

  4. 在 \(C\) 上 \(\sigma(x)\equiv0\)：对任意 \(x\in C\)，\(x\notin \mathbb{R}^n - C\)，因此 \(x\notin B_{\varepsilon_i}(a_i)\) 对所有 \(i\) 成立，故 \(g_i(x)=0\) 对所有 \(i\) 成立，因此 \((1-g_i(x))=1\)，乘积 \(\prod_{i=1}^s (1-g_i(x))=1\)，故 \(\sigma(x)=1-1=0\)。

综上，\(\sigma(x)\) 满足定理的所有要求，定理证毕。

3.3 推论：局部光滑函数的全局延拓

推论 设 \(f(x)\) 是开集 \(U\subset\mathbb{R}^n\) 上的 \(C^k\) 函数，\(a\in U\)，则存在 \(a\) 的一个邻域 \(W\subset U\)，以及 \(\mathbb{R}^n\) 上的 \(C^k\) 函数 \(f^*:\mathbb{R}^n\to\mathbb{R}\)，满足：

  1. 在邻域 \(W\) 上，\(f^*(x)=f(x)\)；
  2. 在 \(U\) 的外部，\(f^*(x)\equiv0\)。

这个推论的意义是：开集上的局部光滑函数，可以光滑地延拓到整个欧氏空间，且在原定义域外恒为0，这是将局部定义的几何量推广到整体的核心工具。

证明：

  1. 选取邻域：因为 \(U\) 是开集，\(a\in U\)，因此存在 \(a\) 的两个邻域 \(V_1,V_2\)，满足 \(\overline{V_1} \subset V_2 \subset \overline{V_2} \subset U\)，且 \(\overline{V_1}\) 是紧集（例如取足够小的开球即可）。

  2. 构造截断函数：令 \(K=\overline{V_1}\)（紧集），\(C=\mathbb{R}^n - V_2\)（闭集），显然 \(K\cap C=\emptyset\)，满足定理1.1.3的条件。因此存在 \(C^\infty\) 函数 \(\sigma(x):\mathbb{R}^n\to[0,1]\)，满足：

    • 在 \(K=\overline{V_1}\) 上，\(\sigma(x)\equiv1\)；
    • 在 \(C=\mathbb{R}^n - V_2\) 上，\(\sigma(x)\equiv0\)。

  3. 定义延拓函数：

\[f^*(x) = \begin{cases} \sigma(x) f(x), & x\in U \\ 0, & x\in \mathbb{R}^n - \overline{V_2} \end{cases} \]

  1. 验证良定性与光滑性：

    • 良定性：\((\mathbb{R}^n - \overline{V_2}) \cap U = U - \overline{V_2}\)，在这个集合上，\(\sigma(x)\equiv0\)，因此 \(\sigma(x)f(x)=0\)，和第二部分的定义一致，函数是良定的。
    • 光滑性：
      • 在开集 \(U\) 上，\(\sigma(x)\) 是 \(C^\infty\) 函数，\(f(x)\) 是 \(C^k\) 函数，乘积是 \(C^k\) 函数；
      • 在开集 \(\mathbb{R}^n - \overline{V_2}\) 上，\(f^*(x)\equiv0\)，是 \(C^\infty\) 函数；
      • 整个 \(\mathbb{R}^n\) 被这两个开集覆盖，因此 \(f^*(x)\) 在整个 \(\mathbb{R}^n\) 上是 \(C^k\) 函数。

  2. 验证延拓性质：

    • 取 \(W=V_1\)，则在 \(W\) 上，\(\sigma(x)\equiv1\)，故 \(f^*(x)=1\cdot f(x)=f(x)\)；
    • 在 \(U\) 外，\(x\in \mathbb{R}^n - U \subset \mathbb{R}^n - \overline{V_2}\)，故 \(f^*(x)\equiv0\)。

推论证毕。

四、核心知识点系统归纳表

知识点分类 名称 核心内容 关键性质与几何意义
微分的表示 微分与Jacobi矩阵的对应 可微映射 \(F\) 在 \(a\) 点的微分 \(DF(a)\) 是唯一的线性映射，对应的矩阵是Jacobi矩阵，元素为 \(A_{\alpha i}=\frac{\partial f^\alpha}{\partial x^i}(a)\) 1. 是一元函数导数的高维推广；
2. 实现了定义域到像空间的线性变换，是流形切映射的原型；
3. 可微表达式为 \(F(x)=F(a)+DF(a)(x-a)+o(|x-a|)\)
复合映射 复合映射的定义 \(F:U\to V\subset\mathbb{R}^n\)，\(G:V\to\mathbb{R}^p\)，复合 \(H=G\circ F:U\to\mathbb{R}^p\)，分量为 \(h^\lambda(x)=g^\lambda(f^1(x),\dots,f^n(x))\) 高维映射的复合等价于多元函数的逐分量复合，是微分几何中映射复合的基础形式
核心定理 链规则定理 若 \(F\) 在 \(a\) 可微，\(G\) 在 \(F(a)\) 可微，则 \(H=G\circ F\) 在 \(a\) 可微，且 \(DH(a)=DG(F(a))\cdot DF(a)\) 1. 复合映射的微分=微分的复合，对应Jacobi矩阵的乘积；
2. 是多元函数复合求导的高维推广，保证微分运算的复合封闭性；
3. 维度匹配：\(p\times m = (p\times n)\cdot(n\times m)\)
核心推论 \(C^k\) 映射的复合封闭性 \(C^k\) 映射的复合仍为 \(C^k\) 映射 1. 一阶连续可微映射的复合，一阶偏导数仍连续；
2. 光滑映射（\(C^\infty\)）的复合仍为光滑映射，是光滑流形范畴的核心性质
核心工具 光滑截断函数定理 不相交的紧集 \(K\) 和闭集 \(C\)，存在 \(C^\infty\) 函数 \(\sigma:\mathbb{R}^n\to[0,1]\)，在 \(K\) 上恒为1，\(C\) 上恒为0 1. 是微分几何局部→整体的核心工具，是单位分解定理的基础；
2. 证明了非平凡光滑隆起函数的存在性，区别于实解析函数（实解析函数无法做到局部恒1、局部恒0）
工具推论 局部光滑函数的全局延拓 开集 \(U\) 上的 \(C^k\) 函数，可延拓为整个 \(\mathbb{R}^n\) 上的 \(C^k\) 函数，且在 \(U\) 外恒为0 解决了局部定义的函数的光滑延拓问题，是将局部几何性质推广到整体流形的关键技术

最终总结

这部分内容完成了微分几何微积分基础的两大核心构建：

  1. 微分的运算性质：通过链规则定理，明确了复合映射的微分运算规则，将一元函数的求导法则完整推广到高维映射，建立了微分运算的代数结构；
  2. 整体化的工具基础：通过光滑截断函数定理，证明了光滑函数的“局部截断-全局延拓”性质，这是微分几何区别于复几何、实解析几何的核心特征——我们可以通过光滑函数灵活地拼接局部构造，实现从局部性质到整体性质的过渡，这也是后续流形上的积分、联络、曲率等整体几何研究的基础。

反函数定理与隐函数定理 完整讲解与证明

我将以微分几何的核心视角，从基础拓扑概念出发，逐层拆解微分同胚的核心定义，完整证明收缩映射引理（不动点定理），再分步骤完成反函数定理的严谨证明，最后推导其推论与隐函数定理，帮你建立起“局部线性可逆→局部微分同胚”的核心逻辑链条。

一、前置基础概念：映射的拓扑与光滑性质

反函数定理的核心是研究映射的局部可逆性，我们先明确从集合映射到光滑映射的层级概念。

1.1 集合映射的基本性质

设 \(A,B\) 为两个集合，映射 \(F:A\to B\)，我们定义三类核心映射性质：

  1. 满射（ surjective ）：若 \(F(A)=B\)，即 \(B\) 中每个元素都有原像，称 \(F\) 为满射；
  2. 单射（ injective ）：若对任意 \(x_1,x_2\in A\)，\(x_1\neq x_2\) 必有 \(F(x_1)\neq F(x_2)\)，即不同的点映射到不同的像，称 \(F\) 为单射（一一映射）；
  3. 双射（ bijective ）：若 \(F\) 既是满射又是单射，称 \(F\) 为双射。

核心结论：映射 \(F:A\to B\) 存在逆映射 \(F^{-1}:B\to A\) 的充要条件是 \(F\) 为双射。逆映射满足 \(F\circ F^{-1}=\text{id}_B\)，\(F^{-1}\circ F=\text{id}_A\)，其中 \(\text{id}\) 为恒等映射。

1.2 同胚：拓扑等价

设 \(A,B\) 为拓扑空间（此处为欧氏空间的开子集），若 \(F:A\to B\) 是双射，且 \(F\) 和其逆映射 \(F^{-1}\) 都是连续映射，则称 \(F\) 为同胚（homeomorphism）。

同胚是拓扑学的核心等价关系：两个集合同胚，意味着它们在拓扑意义下完全等价，开集、闭集、紧性、连通性等拓扑性质在同胚下完全保持。

1.3 微分同胚：光滑等价

这是微分几何的核心等价关系，在同胚的基础上增加了光滑性要求。

定义1.1.2 \(C^k\)-微分同胚
设 \(U,V\) 是 \(\mathbb{R}^m\) 中的开集，映射 \(F:U\to V\) 满足：

  1. \(F\) 是同胚（双射+双向连续）；
  2. \(F\) 和其逆映射 \(F^{-1}\) 都是 \(C^k\) 映射（\(k\geq1\)，即k阶连续可微）。

则称 \(F\) 为\(C^k\)-微分同胚，称 \(U\) 和 \(V\) 是 \(C^k\)-微分同胚的。当 \(k=\infty\) 时，简称为微分同胚。

核心说明

  1. 等价关系：微分同胚是 \(\mathbb{R}^m\) 中开子集之间的等价关系，满足：
    • 反身性：恒等映射 \(\text{id}:U\to U\) 是微分同胚；
    • 对称性：若 \(F:U\to V\) 是微分同胚，则 \(F^{-1}:V\to U\) 也是微分同胚；
    • 传递性：若 \(F:U\to V\)、\(G:V\to W\) 都是微分同胚，则复合 \(G\circ F:U\to W\) 也是微分同胚（引理1）。
  2. 几何意义：两个开集微分同胚，意味着它们不仅拓扑等价，而且光滑结构完全一致，后续流形的定义就是基于“局部与欧氏空间微分同胚”这一核心。

1.4 微分同胚的经典例子

例1 平移映射

设 \(F:\mathbb{R}^m\to\mathbb{R}^m\) 是从点 \(a=(a^1,\dots,a^m)\) 到 \(b=(b^1,\dots,b^m)\) 的平移映射：

\[F(x) = x + (b-a),\quad F(x^1,\dots,x^m)=(x^1+(b^1-a^1),\dots,x^m+(b^m-a^m)) \]

  • 光滑性：分量函数都是一次多项式，是实解析（\(C^\omega\)）映射，自然是 \(C^\infty\) 的；
  • 逆映射：\(F^{-1}(x)=x+(a-b)\)，同样是平移映射，也是 \(C^\infty\) 的；
  • 同胚性：平移是双射，且双向连续。
    因此平移映射是微分同胚。

例2 可逆线性变换

设 \(F:\mathbb{R}^m\to\mathbb{R}^m\) 是齐次线性变换：

\[F(x)=A\cdot x,\quad F(x^1,\dots,x^m)=\left( \sum_{j=1}^m a_j^1 x^j, \dots, \sum_{j=1}^m a_j^m x^j \right) \]

其中 \(A=(a_j^i)_{m\times m}\) 是 \(m\) 阶方阵。

  • Jacobi矩阵：直接计算得 \(DF(x)=A\)，与 \(x\) 无关；
  • 微分同胚的充要条件：\(F\) 是微分同胚 \(\iff\) \(\det A\neq0\)（\(A\) 非奇异/可逆）。
    • 充分性：若 \(\det A\neq0\)，则逆矩阵 \(A^{-1}\) 存在，逆映射 \(F^{-1}(x)=A^{-1}\cdot x\) 也是线性变换，\(F\) 是双射，且 \(F,F^{-1}\) 都是 \(C^\infty\) 的，故为微分同胚；
    • 必要性：若 \(\det A=0\)，则 \(A\) 是降秩矩阵，存在非零向量 \(x\) 使得 \(F(x)=0\)，故 \(F\) 不是单射，不可能是双射，更不是微分同胚。

关键启示：线性变换是微分同胚的充要条件是其微分（Jacobi矩阵）可逆。反函数定理的核心，就是把这个线性映射的结论，推广到非线性映射的局部——只要某点的微分可逆，那么映射在该点的局部就是微分同胚。

二、核心工具：收缩映射定理（不动点定理）

反函数定理的证明依赖于这个泛函分析的核心引理，它保证了方程解的存在性与唯一性。

2.1 定理内容

引理2 收缩映射定理
设 \(M\) 是完备度量空间，度量为 \(d(x,y)\)，映射 \(T:M\to M\) 是收缩映射：存在常数 \(\lambda\in[0,1)\)，使得对任意 \(x,y\in M\)，有

\[d(T(x),T(y)) \leq \lambda \cdot d(x,y) \]

则 \(T\) 在 \(M\) 中存在唯一的不动点 \(a\)，即满足 \(T(a)=a\)。

2.2 完整证明

证明分为不动点的存在性和唯一性两部分。

步骤1：构造柯西列，证明存在性

任取初始点 \(x_0\in M\)，定义迭代序列：

\[x_n = T^n(x_0) = T(x_{n-1}),\quad n=1,2,\dots \]

我们先证明 \(\{x_n\}\) 是柯西列。

对任意正整数 \(n,m\)，由收缩映射的性质，重复应用不等式得：

\[d(T^n(x),T^n(y)) \leq \lambda^n \cdot d(x,y) \]

因此对 \(x_{n+m}=T^n(x_m)\)，有：

\[d(x_n,x_{n+m}) = d(T^n(x_0), T^n(x_m)) \leq \lambda^n \cdot d(x_0,x_m) \]

对 \(d(x_0,x_m)\) 用三角不等式展开：

\[\begin{align*} d(x_0,x_m) &\leq d(x_0,x_1) + d(x_1,x_2) + \dots + d(x_{m-1},x_m) \\ &\leq d(x_0,x_1) + \lambda d(x_0,x_1) + \dots + \lambda^{m-1} d(x_0,x_1) \\ &= (1+\lambda+\lambda^2+\dots+\lambda^{m-1}) d(x_0,x_1) \\ &\leq \frac{1}{1-\lambda} d(x_0,x_1) \end{align*} \]

这里用到了等比数列求和，且 \(0\leq\lambda<1\)，故无穷和收敛。

代入 \(d(x_n,x_{n+m})\) 的估计式，得：

\[d(x_n,x_{n+m}) \leq \lambda^n \cdot \frac{d(x_0,T(x_0))}{1-\lambda} = \lambda^n \cdot K \]

其中 \(K=\frac{d(x_0,T(x_0))}{1-\lambda}\) 是与 \(n,m\) 无关的常数。

由于 \(0\leq\lambda<1\)，当 \(n\to\infty\) 时，\(\lambda^n\to0\)，因此对任意 \(\varepsilon>0\)，存在足够大的 \(N\)，当 \(n>N\) 时，\(d(x_n,x_{n+m})<\varepsilon\) 对所有 \(m\) 成立。故 \(\{x_n\}\) 是柯西列。

因为 \(M\) 是完备度量空间，柯西列必收敛，记 \(\lim\limits_{n\to\infty} x_n = a\)。

接下来证明 \(a\) 是不动点：由收缩映射的定义，\(T\) 是连续映射（Lipschitz连续必连续），因此

\[T(a) = T\left( \lim_{n\to\infty} x_n \right) = \lim_{n\to\infty} T(x_n) = \lim_{n\to\infty} x_{n+1} = a \]

即 \(T(a)=a\)，不动点存在。

步骤2：证明不动点的唯一性

假设存在两个不同的不动点 \(a,b\)，即 \(T(a)=a\)，\(T(b)=b\)，且 \(a\neq b\)，则 \(d(a,b)>0\)。

由收缩映射的性质：

\[d(a,b) = d(T(a),T(b)) \leq \lambda \cdot d(a,b) \]

两边除以 \(d(a,b)>0\)，得 \(1\leq\lambda\)，与 \(\lambda<1\) 的假设矛盾。因此不动点唯一。

定理证毕。

三、核心定理：反函数定理（定理1.1.4）

反函数定理是多元微积分与微分几何的基石，它给出了非线性映射局部可逆的充要条件，建立了“局部线性性质→局部非线性性质”的桥梁。

3.1 定理内容

定理1.1.4 反函数定理
设 \(U\) 是 \(\mathbb{R}^m\) 的开集，\(F:U\to\mathbb{R}^m\) 是 \(C^k\)（\(k\geq1\)）映射。若点 \(a\in U\) 处的Jacobi矩阵 \(DF(a)\) 非奇异（即可逆，\(\det DF(a)\neq0\)），则：

  1. 存在 \(a\) 的开邻域 \(W\subset U\)，使得 \(F:W\to F(W)=V\) 是 \(C^k\) 微分同胚；
  2. 对任意 \(x\in W\)，记 \(y=F(x)\)，则逆映射 \(F^{-1}\) 在 \(y\) 处的微分为

\[DF^{-1}(y) = \left( DF(x) \right)^{-1} \tag{1.1.9} \]

其中 \((DF(x))^{-1}\) 是Jacobi矩阵 \(DF(x)\) 的逆矩阵。

3.2 定理的核心解读

  1. 局部性：定理只保证局部微分同胚，即使 \(DF\) 在整个 \(U\) 上处处非奇异，也不能保证 \(F\) 在全局是微分同胚（例如 \(F:\mathbb{R}^2\to\mathbb{R}^2\)，\(F(x,y)=(e^x\cos y,e^x\sin y)\)，\(DF\) 处处可逆，但不是单射，因为 \(F(x,y+2\pi)=F(x,y)\)）；
  2. 光滑性保持：原映射是 \(C^k\) 的，逆映射也一定是 \(C^k\) 的，光滑性双向保持；
  3. 微分公式：逆映射的微分是原映射微分的逆，这是一元函数反函数求导公式 \((f^{-1})'(y)=\frac{1}{f'(x)}\) 在高维的完整推广，线性映射的逆对应矩阵的逆。

3.3 定理的完整证明

我们将证明分为6个步骤，每一步都明确动机与逻辑。

步骤1：标准化处理，简化问题

动机：通过平移和可逆线性变换，将一般情况简化为最简洁的标准情形：\(F(0)=0\)，\(DF(0)=I\)（单位矩阵），不改变定理的结论。

具体操作：
设原映射 \(F\) 在 \(a\) 点满足 \(F(a)=b\)，\(DF(a)=A\)（\(A\) 可逆）。我们构造两个微分同胚：

  1. 平移映射 \(\tau_1:\mathbb{R}^m\to\mathbb{R}^m\)，\(\tau_1(x)=x+a\)，将原点映射到 \(a\)；
  2. 可逆线性变换 \(\tau_2:\mathbb{R}^m\to\mathbb{R}^m\)，\(\tau_2(y)=A^{-1}(y-b)\)，将 \(b\) 映射到原点，且将 \(DF(a)=A\) 变为单位矩阵。

定义复合映射：

\[\tilde{F} = \tau_2 \circ F \circ \tau_1 \]

则 \(\tilde{F}\) 满足：

  • \(\tilde{F}(0) = \tau_2(F(\tau_1(0))) = \tau_2(F(a)) = \tau_2(b) = 0\)；
  • 由链规则，\(D\tilde{F}(0) = A^{-1} \cdot DF(a) \cdot I = A^{-1}A = I\)；
  • \(\tilde{F}\) 也是 \(C^k\) 映射，且由微分同胚的传递性，\(F\) 在 \(a\) 附近是局部微分同胚 \(\iff\) \(\tilde{F}\) 在原点附近是局部微分同胚。

因此，我们只需对 \(F(0)=0\)，\(DF(0)=I\) 的情形证明定理即可。

现在定义辅助映射：

\[G(x) = x - F(x) \tag{1.1.10} \]

显然有：

  • \(G(0)=0-F(0)=0\)；
  • \(DG(x)=I-DF(x)\)，故 \(DG(0)=I-DF(0)=0\)（零矩阵）。

步骤2：选取合适的邻域，证明G是压缩映射

动机：我们需要找到一个闭球邻域，使得 \(G\) 是压缩映射，为后续用收缩映射定理做准备，同时得到 \(F\) 的Lipschitz估计。

具体操作：
因为 \(F\) 是 \(C^k\)（\(k\geq1\)）映射，故 \(DF(x)\)、\(DG(x)\) 的所有元素都是 \(x\) 的连续函数。
已知 \(DF(0)=I\)（\(\det DF(0)=1\neq0\)），\(DG(0)=0\)，由连续性，存在实数 \(r>0\)，使得：

  1. 闭球 \(\overline{B_{2r}(0)} \subset U\)，且在 \(\overline{B_{2r}(0)}\) 上，\(\det DF(x)\neq0\)（\(DF(x)\) 处处非奇异）；
  2. 在闭球 \(\overline{B_r(0)}\) 上，\(DG(x)\) 的所有元素的绝对值都不超过 \(\frac{1}{2m}\)（\(m\) 是空间维数）。

现在证明：对任意 \(x_1,x_2\in\overline{B_r(0)}\)，有

\[\| G(x_1)-G(x_2) \| \leq \frac{1}{2} \|x_1-x_2\| \tag{1.1.11} \]

证明：对 \(G\) 的每个分量函数 \(g^i(x)\)，由多元函数的微分中值定理，存在 \(\theta\in(0,1)\)，使得

\[g^i(x_1)-g^i(x_2) = \sum_{j=1}^m \frac{\partial g^i}{\partial x^j}\left( x_2+\theta(x_1-x_2) \right) \cdot (x_1^j-x_2^j) \]

由柯西不等式：

\[\begin{align*} |g^i(x_1)-g^i(x_2)| &\leq \sqrt{\sum_{j=1}^m \left( \frac{\partial g^i}{\partial x^j} \right)^2} \cdot \sqrt{\sum_{j=1}^m (x_1^j-x_2^j)^2} \\ &\leq \sqrt{m \cdot \left( \frac{1}{2m} \right)^2} \cdot \|x_1-x_2\| \\ &= \frac{\sqrt{m}}{2m} \|x_1-x_2\| \end{align*} \]

因此，\(G\) 的范数满足：

\[\begin{align*} \|G(x_1)-G(x_2)\| &= \sqrt{\sum_{i=1}^m (g^i(x_1)-g^i(x_2))^2} \\ &\leq \sqrt{m \cdot \left( \frac{\sqrt{m}}{2m} \|x_1-x_2\| \right)^2} \\ &= \sqrt{m \cdot \frac{m}{4m^2} \|x_1-x_2\|^2} \\ &= \frac{1}{2} \|x_1-x_2\| \end{align*} \]

式(1.1.11)得证，即 \(G\) 在 \(\overline{B_r(0)}\) 上是压缩系数为 \(\frac{1}{2}\) 的压缩映射。

接下来推导 \(F\) 的Lipschitz下界估计：
由 \(G(x)=x-F(x)\)，得 \(F(x)=x-G(x)\)，因此

\[F(x_1)-F(x_2) = (x_1-x_2) - (G(x_1)-G(x_2)) \]

由三角不等式 \(\|a-b\| \geq |\|a\|-\|b\||\)，得：

\[\|F(x_1)-F(x_2)\| \geq \|x_1-x_2\| - \|G(x_1)-G(x_2)\| \geq \|x_1-x_2\| - \frac{1}{2}\|x_1-x_2\| = \frac{1}{2}\|x_1-x_2\| \]

整理得：

\[\|x_1-x_2\| \leq 2 \|F(x_1)-F(x_2)\| \tag{1.1.12} \]

这个不等式说明 \(F\) 在 \(\overline{B_r(0)}\) 上是单射（若 \(F(x_1)=F(x_2)\)，则 \(x_1=x_2\)）。

步骤3：用收缩映射定理证明局部逆映射的存在性与唯一性

动机：对每个目标点 \(y\)，我们将方程 \(F(x)=y\) 转化为不动点问题，用收缩映射定理证明解的存在唯一性。

具体操作：
首先证明：对任意 \(x\in\overline{B_r(0)}\)，有 \(\|G(x)\| \leq \frac{r}{2}\)。
在式(1.1.11)中令 \(x_1=x\)，\(x_2=0\)，得：

\[\|G(x)-G(0)\| \leq \frac{1}{2}\|x-0\| \]

而 \(G(0)=0\)，故 \(\|G(x)\| \leq \frac{1}{2}\|x\|\)。当 \(\|x\|\leq r\) 时，\(\|G(x)\| \leq \frac{r}{2}\)，即 \(G(\overline{B_r(0)}) \subset \overline{B_{\frac{r}{2}}(0)}\)。

现在，对任意固定的 \(y\in\overline{B_{\frac{r}{2}}(0)}\)，定义映射：

\[T_y: \overline{B_r(0)} \to \overline{B_r(0)},\quad T_y(x) = y + G(x) \]

首先验证 \(T_y\) 确实将 \(\overline{B_r(0)}\) 映射到自身：对任意 \(x\in\overline{B_r(0)}\)，

\[\|T_y(x)\| = \|y+G(x)\| \leq \|y\| + \|G(x)\| \leq \frac{r}{2} + \frac{r}{2} = r \]

故 \(T_y(x)\in\overline{B_r(0)}\)。

再验证 \(T_y\) 是压缩映射：对任意 \(x_1,x_2\in\overline{B_r(0)}\)，

\[\|T_y(x_1)-T_y(x_2)\| = \|G(x_1)-G(x_2)\| \leq \frac{1}{2}\|x_1-x_2\| \]

压缩系数 \(\lambda=\frac{1}{2}<1\)，满足收缩映射定理的条件。

而 \(\overline{B_r(0)}\) 是完备度量空间（欧氏空间的闭子集是完备的），因此由收缩映射定理，\(T_y\) 在 \(\overline{B_r(0)}\) 中存在唯一的不动点 \(x\)，即

\[T_y(x)=x \iff y + G(x) = x \iff y = x-G(x) = F(x) \]

这说明：对每个 \(y\in\overline{B_{\frac{r}{2}}(0)}\)，存在唯一的 \(x\in\overline{B_r(0)}\) 使得 \(F(x)=y\)。由此我们得到了逆映射：

\[F^{-1}: \overline{B_{\frac{r}{2}}(0)} \to \overline{B_r(0)},\quad F^{-1}(y)=x \]

满足 \(F\circ F^{-1}(y)=y\) 对所有 \(y\in\overline{B_{\frac{r}{2}}(0)}\) 成立。

步骤4：证明F是局部同胚

动机：我们已经得到了逆映射，现在需要证明 \(F\) 是同胚，即 \(F\) 是开映射，且逆映射连续。

具体操作：
令 \(W=F^{-1}(B_{\frac{r}{2}}(0))\)，\(V=B_{\frac{r}{2}}(0)\)（开球）。

  1. \(W\) 是开集：因为 \(F\) 是连续映射，开集的原像是开集，\(V=B_{\frac{r}{2}}(0)\) 是开集，故 \(W=F^{-1}(V)\) 是开集，且 \(W\subset\overline{B_r(0)}\subset U\)，即 \(W\) 是 \(a=0\) 的开邻域。
  2. \(F:W\to V\) 是双射：由步骤3，对每个 \(y\in V\)，存在唯一的 \(x\in W\) 使得 \(F(x)=y\)，故 \(F\) 是双射。
  3. 逆映射 \(F^{-1}:V\to W\) 连续：对任意 \(y_1,y_2\in V\)，记 \(x_1=F^{-1}(y_1)\)，\(x_2=F^{-1}(y_2)\)，由式(1.1.12)的Lipschitz估计：

\[\|F^{-1}(y_1)-F^{-1}(y_2)\| = \|x_1-x_2\| \leq 2\|F(x_1)-F(x_2)\| = 2\|y_1-y_2\| \]

这说明 \(F^{-1}\) 是Lipschitz连续的，自然是连续映射。

综上，\(F:W\to V\) 是双射+双向连续，即同胚。

步骤5：证明逆映射的可微性与微分公式

动机：我们已经证明了 \(F\) 是同胚，现在需要证明逆映射 \(F^{-1}\) 是可微的，且满足微分公式(1.1.9)。

具体操作：
任取 \(b=F(a)\in V\)，我们证明 \(F^{-1}\) 在 \(b\) 点可微，且 \(DF^{-1}(b)=(DF(a))^{-1}\)。

因为 \(F\) 在 \(a\) 点可微，由可微的定义，有：

\[F(x)-F(a) = DF(a)(x-a) + \|x-a\| R(x,a) \tag{*} \]

其中 \(\lim\limits_{x\to a} \|R(x,a)\|=0\)。

记 \(y=F(x)\)，\(b=F(a)\)，则 \(x=F^{-1}(y)\)，\(a=F^{-1}(b)\)。因为 \(DF(a)\) 可逆，记 \(B=(DF(a))^{-1}\)，用 \(B\) 左乘式(*)两边，得：

\[B(y-b) = x-a + \|x-a\| B R(x,a) \]

将 \(x=F^{-1}(y)\)，\(a=F^{-1}(b)\) 代入，整理得：

\[F^{-1}(y) = F^{-1}(b) + B(y-b) - \|F^{-1}(y)-F^{-1}(b)\| B R(F^{-1}(y),F^{-1}(b)) \]

这正是逆映射可微的定义形式，我们只需证明余项是高阶无穷小。令余项：

\[r(y,b) = -\frac{\|F^{-1}(y)-F^{-1}(b)\|}{\|y-b\|} B R(F^{-1}(y),F^{-1}(b)),\quad y\neq b \]

我们验证 \(\lim\limits_{y\to b} \|r(y,b)\|=0\)：

  1. 由式(1.1.12)，\(\frac{\|F^{-1}(y)-F^{-1}(b)\|}{\|y-b\|} \leq 2\)，是有界量；
  2. \(B\) 是常数矩阵，\(\|B\|\) 是常数；
  3. 当 \(y\to b\) 时，\(F^{-1}\) 连续，故 \(x=F^{-1}(y)\to a=F^{-1}(b)\)，因此 \(\lim\limits_{y\to b} \|R(F^{-1}(y),F^{-1}(b))\| = \lim\limits_{x\to a} \|R(x,a)\|=0\)。

有界量乘以无穷小量仍为无穷小量，故 \(\lim\limits_{y\to b} \|r(y,b)\|=0\)。

根据映射可微的充要条件（定理1.1.1），\(F^{-1}\) 在 \(b\) 点可微，且微分就是线性映射 \(B=(DF(a))^{-1}\)，即

\[DF^{-1}(b) = (DF(a))^{-1} \]

微分公式得证。

步骤6：证明逆映射是 \(C^k\) 的

动机：我们已经证明了逆映射是 \(C^1\) 的，现在需要证明它和原映射有相同的光滑性，即原映射是 \(C^k\) 的，逆映射也是 \(C^k\) 的。

具体操作：
我们用数学归纳法证明：

  1. 基例 \(k=1\)：原映射 \(F\) 是 \(C^1\) 的，即 \(DF(x)\) 的元素都是连续函数。
    由微分公式，\(DF^{-1}(y) = (DF(F^{-1}(y)))^{-1}\)。
    逆矩阵的元素是原矩阵元素的有理函数（伴随矩阵除以行列式），是 \(C^\infty\) 函数；\(DF\) 的元素是连续的，\(F^{-1}\) 是连续的，因此复合后 \(DF^{-1}(y)\) 的元素都是连续函数，故 \(F^{-1}\) 是 \(C^1\) 的。

  2. 归纳步骤：假设当原映射是 \(C^l\)（\(l<k\)）时，逆映射也是 \(C^l\) 的。
    若原映射 \(F\) 是 \(C^{l+1}\) 的，则 \(DF(x)\) 的元素是 \(C^l\) 的。由归纳假设，\(F^{-1}\) 是 \(C^l\) 的，因此 \(DF^{-1}(y)=(DF(F^{-1}(y)))^{-1}\) 的元素是 \(C^l\) 函数的复合，也是 \(C^l\) 的，故 \(F^{-1}\) 是 \(C^{l+1}\) 的。

由数学归纳法，对任意 \(k\geq1\)，若 \(F\) 是 \(C^k\) 的，则 \(F^{-1}\) 也是 \(C^k\) 的。

综上，我们证明了 \(F:W\to V\) 是 \(C^k\) 微分同胚，且逆映射的微分公式成立，定理证毕。

四、反函数定理的推论与隐函数定理

4.1 反函数定理的两个核心推论

推论1 开映射性质

若 \(DF\) 在开集 \(U\) 上处处非奇异，则 \(F\) 是开映射：它将 \(U\) 中的任意开集都映射为 \(\mathbb{R}^m\) 中的开集。

证明：对任意开集 \(U'\subset U\)，任取 \(y\in F(U')\)，则存在 \(x\in U'\) 使得 \(F(x)=y\)。由反函数定理，存在 \(x\) 的开邻域 \(W\subset U'\)，使得 \(F(W)\) 是开集，且 \(y\in F(W)\subset F(U')\)。因此 \(y\) 是 \(F(U')\) 的内点，由 \(y\) 的任意性，\(F(U')\) 是开集。

推论2 全局微分同胚的充要条件

\(C^k\) 映射 \(F:U\to F(U)\) 是 \(C^k\) 微分同胚的充要条件是：\(F\) 是单射，且 \(DF\) 在 \(U\) 的每一点都非奇异。

证明：

  • 必要性：若 \(F\) 是微分同胚，则 \(F\) 是单射，且对任意 \(x\in U\)，\(DF(x)\) 可逆（否则逆映射的微分不存在），故 \(DF\) 处处非奇异。
  • 充分性：若 \(F\) 是单射，且 \(DF\) 处处非奇异，则由反函数定理，\(F\) 是局部微分同胚，逆映射局部光滑；又 \(F\) 是单射，故全局逆映射存在，且局部光滑意味着全局光滑，因此 \(F\) 是全局微分同胚。

4.2 隐函数定理

隐函数定理是反函数定理的直接推论，它解决了“方程 \(f(x,y)=0\) 何时能确定 \(y\) 为 \(x\) 的函数”这一核心问题，是微分几何中曲面、子流形定义的基础。

定理内容

定理1.1.5 隐函数定理
设 \(U\subset\mathbb{R}^m\)、\(V\subset\mathbb{R}^n\) 是开集，映射 \(f:U\times V\to\mathbb{R}^n\) 是 \(C^k\)（\(k\geq1\)）映射。若对 \(x_0\in U\)，\(y_0\in V\)，满足：

  1. \(f(x_0,y_0)=0\)；
  2. 映射 \(y\mapsto f(x_0,y)\) 在 \(y_0\) 处的微分 \(D_2 f(x_0,y_0)\) 非奇异（即可逆，\(\det D_2 f(x_0,y_0)\neq0\)，其中 \(D_2 f\) 是 \(f\) 对第二个变量 \(y\) 的Jacobi矩阵）。

则存在 \(x_0\) 的开邻域 \(U_0\subset U\)，以及唯一的 \(C^k\) 映射 \(g:U_0\to V\)，满足：

  1. \(g(x_0)=y_0\)；
  2. 对所有 \(x\in U_0\)，有 \(f(x,g(x))=f(x_0,y_0)=0\)。

完整证明

核心思路：构造一个辅助映射，将隐函数问题转化为反函数定理的适用场景。

具体操作：
构造辅助映射 \(F:U\times V\to\mathbb{R}^m\times\mathbb{R}^n\)，

\[F(x,y) = (x, f(x,y)) \]

我们计算 \(F\) 在 \((x_0,y_0)\) 处的Jacobi矩阵：

\[DF(x_0,y_0) = \begin{pmatrix} I_m & 0 \\ D_1 f(x_0,y_0) & D_2 f(x_0,y_0) \end{pmatrix}\]

其中 \(I_m\) 是 \(m\) 阶单位矩阵，\(D_1 f\) 是 \(f\) 对第一个变量 \(x\) 的Jacobi矩阵。

这是分块上三角矩阵，其行列式等于对角块行列式的乘积：

\[\det DF(x_0,y_0) = \det I_m \cdot \det D_2 f(x_0,y_0) = \det D_2 f(x_0,y_0) \neq 0 \]

因此 \(DF(x_0,y_0)\) 非奇异，满足反函数定理的条件。

由反函数定理，存在 \((x_0,y_0)\) 的开邻域 \(U_0\times V_0\subset U\times V\)，使得 \(F:U_0\times V_0\to F(U_0\times V_0)\) 是 \(C^k\) 微分同胚，其逆映射 \(F^{-1}\) 也是 \(C^k\) 的。

注意到 \(F(x_0,y_0)=(x_0,f(x_0,y_0))=(x_0,0)\)，因此逆映射 \(F^{-1}\) 定义在 \((x_0,0)\) 的开邻域上，形式为：

\[F^{-1}(x,z) = (x, \varphi(x,z)) \]

其中 \(\varphi\) 是 \(C^k\) 映射，满足 \(F(x,\varphi(x,z))=(x,z)\)，即 \(f(x,\varphi(x,z))=z\)。

现在定义映射 \(g:U_0\to V\)，

\[g(x) = \varphi(x,0) \]

则 \(g\) 是 \(C^k\) 映射，且：

  1. \(g(x_0)=\varphi(x_0,0)=y_0\)，因为 \(F^{-1}(x_0,0)=(x_0,y_0)\)；
  2. 对所有 \(x\in U_0\)，\(f(x,g(x))=f(x,\varphi(x,0))=0\)，满足方程。

唯一性：若存在另一个映射 \(\tilde{g}\) 满足条件，则对任意 \(x\in U_0\)，\(F(x,g(x))=(x,0)=F(x,\tilde{g}(x))\)，而 \(F\) 是单射，故 \(g(x)=\tilde{g}(x)\)，唯一性得证。

定理证毕。

五、核心知识点系统归纳表

知识点分类 名称 核心定义/定理内容 关键性质与几何意义
基础映射概念 单射/满射/双射 单射：不同点映射到不同像；满射：像覆盖整个目标集；双射：单射+满射 双射是逆映射存在的充要条件，是可逆性的集合论基础
基础映射概念 同胚 双射+双向连续的映射 拓扑等价关系，保持所有拓扑性质（开集、紧性、连通性等）
基础映射概念 \(C^k\)-微分同胚 同胚+双向\(C^k\)（k阶连续可微）的映射 微分几何的核心等价关系，光滑流形的定义基础，保持拓扑与光滑结构
核心工具 收缩映射定理 完备度量空间上的压缩映射（压缩系数λ<1）存在唯一不动点 证明方程解的存在唯一性的核心工具，是反函数定理证明的基石
核心定理 反函数定理 \(C^k\)映射\(F:U\to\mathbb{R}^m\)，若\(a\)点\(DF(a)\)非奇异，则存在\(a\)的开邻域\(W\)，使得\(F:W\to F(W)\)是\(C^k\)微分同胚，且\(DF^{-1}(y)=(DF(x))^{-1}\) 1. 核心结论：局部线性可逆→局部微分同胚；
2. 是一元反函数求导的高维推广；
3. 仅保证局部可逆，不保证全局可逆
反函数定理推论 开映射定理 若\(DF\)在开集\(U\)上处处非奇异，则\(F\)是开映射 说明局部可逆的映射将开集映射为开集，是拓扑性质的重要结论
核心定理 隐函数定理 \(C^k\)映射\(f:U\times V\to\mathbb{R}^n\)，若\(f(x_0,y_0)=0\)且\(D_2f(x_0,y_0)\)非奇异，则局部存在唯一\(C^k\)映射\(g\)使得\(f(x,g(x))=0\)，\(g(x_0)=y_0\) 1. 是反函数定理的直接推论；
2. 解决了方程确定隐函数的问题；
3. 是欧氏空间中子流形、曲面定义的核心理论基础

最终总结

反函数定理与隐函数定理是连接线性代数与非线性分析的桥梁，是微分几何的“微积分基石”。它们的核心思想可以概括为一句话：只要一个光滑映射在某点的微分（线性近似）是可逆的，那么这个映射在该点的局部就是可逆的微分同胚，其局部行为完全由线性近似决定。

这一思想贯穿了整个微分几何：从欧氏空间的子流形，到抽象光滑流形的切映射、坐标变换，再到黎曼几何的局部坐标系构造，无一不是基于反函数定理提供的局部可逆性保证。

秩定理与Sard定理 完整讲解与证明

承接反函数定理的核心思想，我们继续讲解微分几何中两个核心的基础定理：秩定理与Sard定理。秩定理是反函数定理的重要推广，它刻画了常秩光滑映射的局部标准形，将线性代数的秩标准形推广到非线性场景；Sard定理则揭示了光滑映射临界点的测度性质，是微分拓扑的基石之一。

一、映射的秩的核心定义

我们首先明确映射的秩的概念，它是整个章节的基础。

定义1.1.3 映射的秩
设 \(U\) 是 \(\mathbb{R}^m\) 的开子集，\(F:U\to\mathbb{R}^n\) 是 \(C^k\)（\(k\geq1\)）映射。

  1. 映射 \(F\) 在点 \(x\in U\) 的秩，定义为其Jacobi矩阵 \(DF(x)\) 在 \(x\) 点的秩；
  2. 若对开子集 \(W\subset U\) 中的每一个点 \(x\)，\(F\) 的秩恒为常数 \(r\)，则称 \(F\) 在 \(W\) 上的秩等于 \(r\)。

关键性质：秩在微分同胚复合下不变

若映射 \(F\) 与微分同胚做复合，则复合映射的秩与原映射的秩完全相等。
证明：设 \(u\) 是微分同胚，由链规则，复合映射 \(F\circ u^{-1}\) 的Jacobi矩阵为

\[D(F\circ u^{-1})(x) = DF(u^{-1}(x)) \cdot Du^{-1}(x) \]

微分同胚的Jacobi矩阵处处非奇异（可逆），而矩阵与可逆矩阵相乘不改变秩，因此 \(D(F\circ u^{-1})(x)\) 的秩与 \(DF(u^{-1}(x))\) 的秩相等。

这一性质是秩定理的核心基础：我们可以通过定义域和值域的微分同胚（坐标变换），将复杂的常秩映射化简为最简标准形。

二、秩定理（定理1.1.6）

秩定理是反函数定理的一般化：反函数定理处理的是满秩（\(r=m=n\)）的情况，而秩定理处理任意常秩的情况，是线性代数中“秩标准形”的非线性推广。

2.1 定理内容

定理1.1.6 秩定理
设 \(A,B\) 分别为 \(\mathbb{R}^m,\mathbb{R}^n\) 中的开子集，\(F:A\to B\) 是 \(C^k\)（\(k\geq1\)）映射，且 \(F\) 在 \(A\) 上的秩恒为常数 \(r\)。
对任意 \(a\in A\)，记 \(b=F(a)\in B\)，则存在：

  1. \(a\) 的开邻域 \(A_0\subset A\)，\(b\) 的开邻域 \(B_0\subset B\)；
  2. \(C^k\) 微分同胚 \(u:A_0\to U\subset\mathbb{R}^m\)，\(v:B_0\to V\subset\mathbb{R}^n\)；

使得复合映射 \(v\circ F\circ u^{-1}:U\to V\) 具有最简标准形：

\[v\circ F\circ u^{-1}(x^1,x^2,\dots,x^m) = (x^1,x^2,\dots,x^r,\underbrace{0,\dots,0}_{n-r\text{个}}) \tag{1.1.14} \]

2.2 定理的核心解读

  1. 线性代数的非线性推广：线性变换 \(T:\mathbb{R}^m\to\mathbb{R}^n\) 秩为 \(r\) 时，存在可逆矩阵 \(P,Q\) 使得 \(PTQ=\begin{pmatrix}I_r & 0 \\ 0 & 0\end{pmatrix}\)（秩标准形）。秩定理中，微分同胚 \(u\) 对应坐标变换 \(Q\)，\(v\) 对应坐标变换 \(P\)，将非线性的常秩映射局部化为线性的投影形式。
  2. 局部结构完全确定：常秩映射的局部行为完全由其秩决定，无论非线性项多复杂，都可以通过光滑坐标变换变成“前r个坐标保留，后n-r个坐标置零”的最简形式。
  3. 反函数定理是特例：当 \(r=m=n\) 时，标准形为 \(v\circ F\circ u^{-1}(x)=x\)，即 \(F=v^{-1}\circ u\)，是两个微分同胚的复合，本身也是局部微分同胚，与反函数定理的结论完全一致。

2.3 定理的完整证明

我们将证明分为4个核心步骤，每一步都明确动机与逻辑，无跳步。

步骤1：标准化处理，简化问题

动机：通过平移和坐标置换，将问题简化为最规整的情形：\(a,b\) 均为原点，且 \(DF(a)\) 的左上角 \(r\) 阶子式非奇异，不改变定理的结论。

具体操作：

  1. 平移坐标：令 \(x'=x-a\)，\(y'=y-b\)，则新的映射 \(F'(x')=F(x'+a)-b\) 满足 \(F'(0)=0\)，且 \(DF'(0)=DF(a)\)，秩仍为 \(r\)，将 \(a,b\) 化为原点。
  2. 坐标置换：由于 \(DF(0)\) 的秩为 \(r\)，必存在一个非零的 \(r\) 阶子式。通过置换坐标（置换坐标是微分同胚，不改变映射的秩），可让左上角的 \(r\) 阶子式非奇异，即：

\[\det\begin{pmatrix} \frac{\partial f^1}{\partial x^1}(0) & \dots & \frac{\partial f^1}{\partial x^r}(0) \\ \vdots & \ddots & \vdots \\ \frac{\partial f^r}{\partial x^1}(0) & \dots & \frac{\partial f^r}{\partial x^r}(0) \end{pmatrix} \neq 0\]

步骤2：构造定义域的微分同胚 \(u\)，“拉直”前r个分量

动机：我们希望将 \(F\) 的前 \(r\) 个分量转化为新的坐标，让前 \(r\) 个分量完全简化为坐标本身，为后续化简做准备。

具体操作：
定义 \(C^k\) 映射 \(u:A\to\mathbb{R}^m\)：

\[u(x^1,x^2,\dots,x^m) = \left(f^1(x),f^2(x),\dots,f^r(x),x^{r+1},\dots,x^m\right) \]

我们验证 \(u\) 是局部微分同胚：

  1. \(u(0)=0\)：因为 \(F(0)=0\)，故 \(f^1(0)=\dots=f^r(0)=0\)。
  2. 计算 \(u\) 的Jacobi矩阵 \(Du(x)\)，它是分块矩阵：

\[Du(x) = \begin{pmatrix} \underbrace{\begin{pmatrix}\frac{\partial f^1}{\partial x^1} & \dots & \frac{\partial f^1}{\partial x^r} \\ \vdots & \ddots & \vdots \\ \frac{\partial f^r}{\partial x^1} & \dots & \frac{\partial f^r}{\partial x^r}\end{pmatrix}}_{r\times r} & \underbrace{*}_{r\times(m-r)} \\ \underbrace{0}_{(m-r)\times r} & \underbrace{I_{m-r}}_{(m-r)\times(m-r)} \end{pmatrix}\]

其中 \(I_{m-r}\) 是 \((m-r)\) 阶单位矩阵，左下角为零矩阵。

分块三角矩阵的行列式等于对角块行列式的乘积，因此 \(\det Du(x) = \det\left(\frac{\partial f^\alpha}{\partial x^i}\right)_{\alpha,i=1}^r\)。由步骤1，在 \(x=0\) 处该行列式非零，故 \(Du(0)\) 非奇异。

根据反函数定理，存在原点的开邻域 \(A_1\subset A\)，使得 \(u:A_1\to u(A_1)=U_1\) 是 \(C^k\) 微分同胚。

步骤3：化简复合映射，证明后段分量仅依赖前r个坐标

动机：我们已经得到了定义域的坐标变换 \(u\)，现在分析复合映射 \(F\circ u^{-1}\) 的形式，证明其后面的分量仅与前 \(r\) 个坐标有关，与后 \(m-r\) 个坐标无关。

具体操作：
设 \(u^{-1}(x^1,\dots,x^m)=z\)，即 \(u(z)=(f^1(z),\dots,f^r(z),z^{r+1},\dots,z^m)=(x^1,\dots,x^m)\)，因此 \(F(z)=(f^1(z),\dots,f^r(z),f^{r+1}(z),\dots,f^n(z))\)。

代入 \(z=u^{-1}(x)\)，得复合映射：

\[F\circ u^{-1}(x) = \left(x^1,x^2,\dots,x^r,\bar{f}^{r+1}(x),\dots,\bar{f}^n(x)\right) \]

其中 \(\bar{f}^{r+j}(x) = f^{r+j}(u^{-1}(x))\)，\(j=1,2,\dots,n-r\)。

接下来证明：\(\bar{f}^{r+j}(x)\) 仅依赖前 \(r\) 个坐标 \(x^1,\dots,x^r\)，与 \(x^{r+1},\dots,x^m\) 无关。

计算 \(F\circ u^{-1}\) 的Jacobi矩阵，它是分块矩阵：

\[D(F\circ u^{-1})(x) = \begin{pmatrix} \underbrace{I_r}_{r\times r} & \underbrace{0}_{r\times(m-r)} \\ \underbrace{*}_{(n-r)\times r} & \underbrace{\left(\frac{\partial \bar{f}^{r+j}}{\partial x^{r+i}}\right)}_{(n-r)\times(m-r)} \end{pmatrix}\]

由于 \(u\) 是微分同胚，\(F\circ u^{-1}\) 的秩与 \(F\) 的秩相等，恒为 \(r\)。而该矩阵的前 \(r\) 行已经是线性无关的（包含单位矩阵 \(I_r\)），因此整个矩阵的秩为 \(r\) 的充要条件是：右下角的 \((n-r)\times(m-r)\) 矩阵的所有元素全为0，即

\[\frac{\partial \bar{f}^{r+j}}{\partial x^{r+i}}(x) = 0,\quad \forall i=1,\dots,m-r,\ j=1,\dots,n-r,\ x\in U_1 \]

偏导数恒为0，说明 \(\bar{f}^{r+j}(x)\) 不依赖 \(x^{r+1},\dots,x^m\)，仅与 \(x^1,\dots,x^r\) 有关，即

\[\bar{f}^{r+j}(x) = \bar{f}^{r+j}(x^1,\dots,x^r) \]

步骤4：构造值域的微分同胚 \(v\)，得到最简标准形

动机：现在 \(F\circ u^{-1}\) 的形式已经简化为 \((x^1,\dots,x^r,\bar{f}^{r+1}(x^1,\dots,x^r),\dots,\bar{f}^n(x^1,\dots,x^r))\)，我们只需构造值域的坐标变换，将后面的 \(n-r\) 个分量消为0。

具体操作：

  1. 定义值域的映射 \(\bar{v}:V_1\to B\)（\(V_1\) 是 \(\mathbb{R}^n\) 中原点的邻域）：

\[\bar{v}(y^1,y^2,\dots,y^n) = \left(y^1,\dots,y^r,\ y^{r+1}+\bar{f}^{r+1}(y^1,\dots,y^r),\ \dots,\ y^n+\bar{f}^n(y^1,\dots,y^r)\right) \]

  1. 验证 \(\bar{v}\) 是局部微分同胚：

    • \(\bar{v}(0)=0\)：因为 \(\bar{f}^{r+j}(0,\dots,0)=f^{r+j}(u^{-1}(0))=f^{r+j}(0)=0\)；
    • 计算Jacobi矩阵 \(D\bar{v}(y)\)，它是分块下三角矩阵：

      \[D\bar{v}(y) = \begin{pmatrix} I_r & 0 \\ * & I_{n-r} \end{pmatrix}\]

      其行列式恒为1，处处非奇异。根据反函数定理，存在原点的邻域 \(V\subset V_1\)，使得 \(\bar{v}:V\to \bar{v}(V)=B_0\subset B\) 是 \(C^k\) 微分同胚。

  2. 复合得到最简形式：
    取 \(v=\bar{v}^{-1}\)（也是微分同胚），选取原点的邻域 \(U\subset U_1\) 使得 \(F\circ u^{-1}(U)\subset B_0\)，令 \(A_0=u^{-1}(U)\)（\(a=0\) 的邻域）。

    对任意 \(x=(x^1,\dots,x^m)\in U\)，记 \(y=F\circ u^{-1}(x)=(x^1,\dots,x^r,\bar{f}^{r+1}(x^1,\dots,x^r),\dots,\bar{f}^n(x^1,\dots,x^r))\)，则 \(v(y)=\bar{v}^{-1}(y)\)。

    根据 \(\bar{v}\) 的定义，\(\bar{v}(z)=y\) 等价于：

    \[y^1=z^1,\dots,y^r=z^r,\quad y^{r+j}=z^{r+j}+\bar{f}^{r+j}(y^1,\dots,y^r) \]

    解得 \(z^{r+j}=y^{r+j}-\bar{f}^{r+j}(y^1,\dots,y^r)=0\)，因此：

    \[v(y) = (z^1,\dots,z^r,z^{r+1},\dots,z^n) = (x^1,\dots,x^r,0,\dots,0) \]

    即 \(v\circ F\circ u^{-1}(x)=(x^1,\dots,x^r,0,\dots,0)\)，完全符合定理的标准形。

综上，四步证明完毕，秩定理成立。

2.4 秩定理的推论

我们可以选取更规整的邻域，让坐标变换更具几何直观：

  1. 可选取 \(U,V\) 为以原点为中心的开球 \(B_\varepsilon^m(0),B_\varepsilon^n(0)\)，或开立方体 \(C_a^m(0),C_a^n(0)\)（\(C_a^s(0)=\{x\in\mathbb{R}^s\mid |x^j|<a,\forall j\}\)）；
  2. 记 \(\pi:\mathbb{R}^r\times\mathbb{R}^{n-r}\to\mathbb{R}^r\) 为到前 \(r\) 个坐标的投影，\(i:\mathbb{R}^r\to\mathbb{R}^r\times\{0\}\subset\mathbb{R}^m\) 为单射，则 \(\pi\circ v\circ F\circ u^{-1}\circ i\) 是开球/开立方体上的恒同映射。

三、Sard定理

Sard定理是微分拓扑的核心定理之一，它刻画了光滑映射临界点的“稀缺性”，为横截性理论、Morse理论、流形的嵌入定理等提供了基础。

3.1 临界点与临界值的定义

定义1.1.4 临界点与临界值
设 \(U\) 是 \(\mathbb{R}^m\) 的开子集，\(F:U\to\mathbb{R}^n\) 是 \(C^k\)（\(k\geq1\)）映射。

  1. 对 \(a\in U\)，若 \(DF(a)\) 的秩小于 \(n\)，则称 \(a\) 是映射 \(F\) 的临界点；
  2. 若 \(a\) 是临界点，则对应的 \(F(a)\in\mathbb{R}^n\) 称为临界值；
  3. 不是临界值的点称为正则值（即使它没有原像，也属于正则值）。

3.2 定理内容

定理1.1.7 Sard定理
设 \(F:U\to\mathbb{R}^n\) 是 \(C^k\) 映射，其中光滑性满足 \(k\geq\max\left\{1,\frac{m}{n}\right\}\)，\(U\) 是 \(\mathbb{R}^m\) 的开子集。
记 \(A=\{a\in U\mid a\text{ 是 }F\text{ 的临界点}\}\)，则临界值的集合 \(F(A)\) 在 \(\mathbb{R}^n\) 中的Lebesgue测度为零。

3.3 定理解读与说明

  1. 核心意义：Sard定理告诉我们，光滑映射的临界值是“极其稀少”的——在 \(\mathbb{R}^n\) 中测度为零，也就是说，\(\mathbb{R}^n\) 中几乎所有的点都是正则值。
  2. 光滑性条件：
    • 当 \(m\leq n\) 时，\(\max\left\{1,\frac{m}{n}\right\}=1\)，即只要 \(F\) 是 \(C^1\) 映射，定理就成立；
    • 当 \(m>n\) 时，需要更高的光滑性，例如 \(m=3,n=2\) 时需要 \(k\geq2\)，\(m=4,n=2\) 时需要 \(k\geq2\)。若光滑性不满足，存在反例使得Sard定理不成立。
  3. 经典应用：
    • 曲面论中，几乎所有的高度函数都是Morse函数（非退化临界点）；
    • 流形的嵌入定理：任意 \(m\) 维光滑流形都可以嵌入到 \(\mathbb{R}^{2m+1}\) 中；
    • 横截性定理：几乎所有的光滑映射都与给定的子流形横截。

四、核心知识点系统归纳表

知识点分类 名称 核心定义/定理内容 关键性质与几何意义
基础概念 映射的秩 \(C^k\) 映射 \(F:U\to\mathbb{R}^n\) 在点 \(x\) 的秩，等于其Jacobi矩阵 \(DF(x)\) 的秩 映射与微分同胚复合后，秩保持不变，是秩定理的基础
核心定理 秩定理 若 \(C^k\) 映射 \(F:A\to B\) 在开集上的秩恒为 \(r\)，则存在局部微分同胚 \(u,v\)，使得 \(v\circ F\circ u^{-1}\) 化为标准形 \((x^1,\dots,x^r,0,\dots,0)\) 1. 线性代数秩标准形的非线性推广；
2. 完全刻画了常秩光滑映射的局部结构；
3. 反函数定理是其满秩特例
基础概念 临界点/临界值 若 \(DF(a)\) 的秩小于 \(n\)，则 \(a\) 是临界点，\(F(a)\) 是临界值 临界点是映射失去局部满秩性的点，是映射的“退化点”
核心定理 Sard定理 满足光滑性条件的 \(C^k\) 映射，其临界值集合在 \(\mathbb{R}^n\) 中的Lebesgue测度为零 1. 光滑映射的临界值极其稀少，几乎所有点都是正则值；
2. 是微分拓扑、Morse理论、横截性理论的基石

最终总结

秩定理与Sard定理是反函数定理的两大核心延伸：

  • 秩定理解决了局部结构问题：它告诉我们，只要光滑映射的秩保持常数，无论其非线性形式多复杂，都可以通过光滑坐标变换化为最简的投影形式，将线性代数的结论完美推广到非线性场景，是子流形理论的核心基础。
  • Sard定理解决了整体稀缺性问题：它告诉我们，光滑映射的退化点（临界值）在测度意义下可以忽略不计，为我们用“几乎所有”的正则点研究映射的整体性质提供了理论保证，是微分拓扑的核心支柱。

posted on 2026-03-10 13:10  Indian_Mysore  阅读(2)  评论(0)    收藏  举报

导航