先要说明在非齐次方程组中，A到底有没有解析解，可以由增广矩阵来判断：

• r(A)<r(A | b) 方程组无解；
• r(A)=r(A | b) =n，方程组有唯一解；
• r(A)=r(A | b) <n，方程组无穷解；
• r(A)>r(A | b) 不可能，因为增广矩阵的秩大于等于系数矩阵的秩（在矩阵中加入一列，其秩只可能增大，不可能变小）。

2.r(A)<未知数个数n（约束不够）
这里A是不是方阵已经无所谓了，也没有什么法则可以用，就只分成一种情况。
由齐次线性方程组解空间维数 = n - r(A) >0，所以该齐次线性方程组有非零解，而且不唯一（自由度为 n - r(A))。

(多谢wereineky指出错误)
在我们做一些实际问题的时候，经常在 1.2(当然严格来说1.1也有可能啦)会卡住，这时实际上是没有真正的非零解析解的，因为约束太多了，没法都满足(零向量除外)。但是可以折中一下，每一个方程都满足个大概，这就要求最小二乘解。求取最小二乘解的方法一般使用SVD，即奇异值分解。

解空间维数与r(A)的关系的感性认识：
r(A)可以理解为一种约束条件的强弱的表现（约束的强弱不只是表面上的方程个数）。比如有一个方程组，每个方程都是一样的，那么其秩为1,方程的个数对约束毫无贡献。
继续看A的秩，也就是约束的个数是怎么影响解空间的维数的。
比如
x1 +   x2 +  x3 = 0
x1 + 2x2 + 3x3 = 0
r(A)=2，消去x1之后得到:
 x2 + 2x3 = 0
x2或者x3一旦确定，其余的未知量就都随之确定了，所以自由度为1,所以解空间维数为1。
即：
如果 r(A)=c，那么c个方程一共最多可以消去c-1个未知数（比如满秩方阵，最后只留一个未知数，得到唯一解），于是得到的方程由n-(c-1)个未知数组成，该方程有 n-c个自由度，也就是说解空间的维数为 n-c。
上述过程在高斯消去法中表现：
假设消去过后的A如下：
x     x      x      x      x
0     x      x      x      x
0     0      x      x      x
0     0      0      x      x
0     0      0      0      0
那么最后一个非全0行的x个数为 num = n-r(A)+1，则可以看到，该行的自由度，决定了所有解的自由度（因为一旦改行确定，其他都确定了,自由区其实可以理解为用将多少变量固定，就能够确定整个矩阵），而该行的自由度=num-1=n-r(A)=齐次线性方程组解空间的维数，Bingo!

SVD与最小二乘解：
SVD：奇异值分解，是在A不为方阵时的对特征值分解的一种拓展。奇异值和特征值的重要意义相似，都是为了提取出矩阵的主要特征。
对于齐次线性方程 A*X =0;当A的秩大于列数时，就需要求解最小二乘解，在||X||=1的约束下，其最小二乘解为矩阵A'A最小特征值所对应的特征向量。

假设x为A'A的特征向量的情况下，为什么是最小的特征值对应的x能够是目标函数最小证明(多谢hukexin0000指出错误，这个约束太强，只能提供一点点感性认识，具体的证明请查阅相关教科书)：
齐次线性方程组的最小二乘问题可以写成如下：
min ||Ax|| 
s.t    ||x||=1
目标函数：||Ax|| = x'A'Ax = x'lamda x=lamda||x||=lamda,其中lamda是A'A的特征值。
于是可知，得到了A'A的最小特征值，就得到了最优值，而其最小特征值对应的特征向量就是最优解.
而对M进行SVD分解(*表示共轭转置)：

可见M*M的特征向量就是V的列向量。

求解：
求解方法有两种（matlab）：
1.