给定两个$n×n$矩阵$A$和$A_0$以及一系列子空间$\{0\}=\mathscr{五} _0(0)····{五} _n(n)=\mathbb{R}^n$,带dim$(\mathscr{五} k(_k))=\mathscr{k}$,第$k$个子空间投影近似矩阵$A_k$定义为$A_k=A+∏_k(A_0−A)∏_k$,其中$∏_k$是$\mathscr上的正交投影{垂直}_{k} ^()美元。因此,$A_{k} v(v)=Av$和$v^{*}A_{k}=v^{*}所有$v∈\mathscr的A${垂直}_{k} 美元。因此$(A_{k})^{无}_{k≥0}$是从$a_0$逐渐变为$a_n=a$的矩阵序列。原则上,$\mathscr的定义{V}_{k+1}$可能依赖于$A_k$的属性,可以利用这些属性来尝试强制$A_{k+1}$在某种特定意义上更接近$A$。通过选择$A_0$作为$A$的简单近似,这将子空间近似矩阵转化为涉及$A$线性代数问题的有趣预条件。在特征值问题的背景下,它们出现在Shepard等人(2001)的这一角色中,产生了子空间投影近似矩阵方法。在本文中,我们研究了它们在求解方程组$Ax=b$的线性系统中的应用。特别地,我们寻求近似系统$A_kx_k=b$的解$x_k$可以以较低的计算成本计算的条件,因此相应方法的效率与现有方法(如共轭梯度法和最小残差法)相比具有竞争力。我们还通过一些示例性的数值测试,考虑序列$(x_k)_{k≥0}$逼近$x$的程度。