将两向量做内积，得出结果为0则两特征向量正交。
例子：
设向量m=(x1,x2,x3),n=(y1,y2,y3)那么m*n=x1y1+x2y2+x3y3如果m*n=0,那么称m和n正交。
矩阵的特征向量是矩阵理论上的重要概念之一，它有着广泛的应用。数学上，线性变换的特征向量（本征向量）是一个非简并的向量，其方向在该变换下不变。该向量在此变换下缩放的比例称为其特征值（本征值）。
扩展资料：
求特征值
描述正方形矩阵的特征值的重要工具是特征多项式，λ是A的特征值等价于线性方程组(A – λI) v = 0 （其中I是单位矩阵）有非零解v (一个特征向量)，因此等价于行列式|A – λI|=0 [1] 。
函数p(λ) = det(A – λI)是λ的多项式，因为行列式定义为一些乘积的和，这就是A的特征多项式。矩阵的特征值也就是其特征多项式的零点。
一个矩阵A的特征值可以通过求解方程pA(λ) = 0来得到。 若A是一个n×n矩阵，则pA为n次多项式，因而A最多有n个特征值。
反过来，代数基本定理说这个方程刚好有n个根，如果重根也计算在内的话。所有奇数次的多项式必有一个实数根，因此对于奇数n，每个实矩阵至少有一个实特征值。在实矩阵的情形，对于偶数或奇数的n，非实数特征值成共轭对出现。
求特征向量
一旦找到两两互不相同的特征值λ，相应的特征向量可以通过求解方程(A – λI) v = 0 得到，其中v为待求特征向量，I为单位阵。
当特征值出现重根时，如λ1=λ2，此时，特征向量v1的求解方法为(A-λ1I)v1=0，v2为(A-λ2I)v2=v1，依次递推。
没有实特征值的一个矩阵的例子是顺时针旋转90度。
数值计算
在实践中，大型矩阵的特征值无法通过特征多项式计算，计算该多项式本身相当费资源，而精确的“符号式”的根对于高次的多项式来说很难计算和表达：阿贝尔－鲁费尼定理显示高次（5次或更高）多项式的根无法用n次方根来简单表达。
对于估算多项式的根的有效算法是有的，但特征值的小误差可以导致特征向量的巨大误差。求特征多项式的零点，即特征值的一般算法，是迭代法。最简单的方法是幂法：取一个随机向量v，然后计算一系列单位向量。
这个序列几乎总是收敛于绝对值最大的特征值所对应的特征向量。这个算法很简单，但是本身不是很有用。但是，象QR算法这样的算法正是以此为基础的。
参考资料：百度百科-特征向量