关系： r(A)+r(B)<=n；
推导过程如下：
设AB = 0, A是mxn, B是nxs 矩阵；
则 B 的列向量都是 AX=0的秩；
所以 r(B)<=n-r(A)；
所以 r(A)+r(B)<=n。
扩展资料：
秩性质
我们假定 A是在域 F上的 m× n矩阵并描述了上述线性映射。
只有零矩阵有秩 0 A的秩最大为 min(m,n) f是单射，当且仅当 A有秩 n（在这种情况下，我们称 A有“满列秩”）。
f是满射，当且仅当 A有秩 m（在这种情况下，我们称 A有“满行秩”）。
在方块矩阵A（就是 m= n) 的情况下，则 A是可逆的，当且仅当 A有秩 n（也就是 A有满秩）。如果 B是任何 n× k矩阵，则 AB的秩最大为 A的秩和 B的秩的小者。
即：秩（AB）≤min（秩（A），秩（B)) 推广到若干个矩阵的情况。
就是：秩（A1A2...Am)≤min（秩（A1），秩（A2），...秩（Am)) 证明：考虑矩阵的秩的线性映射的定义，令A、B对应的线性映射分别为 f和 g，则秩（AB)表示复合映射 f·g，它的象 Im f·g是 g的像 Im g在映射 f作用下的象。
然而 Im g是整个空间的一部分，因此它在映射 f作用下的象也是整个空间在映射 f作用下的象的一部分。也就是说映射 Im f·g是Im f的一部分。
对矩阵就是：秩（AB）≤秩（A）。对于另一个不等式：秩（AB）≤秩（B），考虑 Im g的一组基：（e1，e2，...，en），容易证明（f(e1），f(e2），...，f(en））生成了空间 Im f·g，于是 Im f·g的维度小于等于Im g的维度。
对矩阵就是：秩（AB）≤秩（B）。因此有：秩（AB）≤min（秩（A），秩（B））。若干个矩阵的情况证明类似。
作为 "<" 情况的一个例子，考虑积 两个因子都有秩 1，而这个积有秩 0。可以看出，等号成立当且仅当其中一个矩阵（比如说 A）对应的线性映射不减少空间的维度，即是单射，这时 A是满秩的。
于是有以下性质：如果 B是秩 n的 n× k矩阵，则 AB有同 A一样的秩。如果 C是秩 m的 l× m矩阵，则 CA有同 A一样的秩。A的秩等于 r，当且仅当存在一个可逆 m× m矩阵 X和一个可逆的 n× n矩阵 Y使得 这里的 Ir指示 r× r单位矩阵。证明可以通过高斯消去法构造性地给出。
矩阵的秩加上矩阵的零化度等于矩阵的纵列数（这就是秩-零化度定理）。
参考资料来源：百度百科--秩
参考资料来源：百度百科--矩阵