正交矩陣的運算法則
若方陣M是正交的，則當且僅當M與它轉置矩陣MT的乘積等于單位矩陣，見公式9.8：
矩陣乘以它的逆等于單位矩陣：M M-1 = I
所以，如果一個矩陣是正交的，那么它的轉置等于它的逆：
這是一條非常有用的性質，因為在實際應用中經常需要計算矩陣的逆，而3D圖形計算中正交矩陣出現又是如此頻繁。比如旋轉和鏡像矩陣是正交的，如果知道矩陣是正交的，就可以完全避免計算逆矩陣了，這也將大大減少計算量。
正交矩陣的幾何解釋
正交矩陣對我們非常有用，因為很容易計算它的逆矩陣。但怎樣知道一個矩陣是否正交，以利用它的性質呢？
很多情況下，我們可以提前知道矩陣是如何建立的，甚至了解矩陣是僅包含旋轉、鏡像呢，還是二者皆有（記住：旋轉和鏡像矩陣是正交的）。這種情況非常普遍。
如果無法提前清楚矩陣的某些情況呢？換句話說，對于任意矩陣M，怎樣檢測它是否正交？為了做到這一點，讓我們從正交矩陣的定義開始，以3x3階矩陣為例。設M是3x3矩陣，根據定義，當且僅當
M MT = I 時M是正交的。它的確切含義如下：
現在做一些解釋：
（1）當且僅當一個向量是單位向量時，它與自身的點積結果是1。因此，僅當r1、r2、r3是單位向量時，第1、5、9式才能成立。
（2）當且僅當兩個向量是互相垂直時，它們的點積為0。因此，僅當r1、r2、r3互相垂直時其他等式才成立。
所以，若一個矩陣是正交的，它必須滿足下列條件：
矩陣的每一行都是單位向量，矩陣的所有行互相垂直。
對矩陣的列也能得到類似的條件，這使得以下結論非常清楚：如果M是正交的，則MT也是正交的。
計算逆矩陣時，僅在預先知道矩陣是正交的情況下才能利用正交性的優點。如果預先不知道，那么檢查正交性經常是浪費時間。即使在最好的情況下，先檢查正交性以確定矩陣是否正交再進行轉置，和一開始就進行求逆運算也將耗費同樣多的時間。而如果矩陣不是正交，那么這種檢查完全是浪費時間。
注意，有一個術語上的差別可能會導致輕微的混淆。線性代數中，如果一組向量互相垂直，這組向量就被認為是正交基（orthogonal
basis）。它只要求所有向量互相垂直，并不要求所有向量都是單位向量。如果它們都是單位向量，則稱它們為標準正交基（orthogonal
basis）。這里所講的正交矩陣的行或列向量都是指標準正交基向量（orthogonal basis
vectors），所以由一組正交基向量構造的矩陣并不一定是正交矩陣（除非基向量是標準正交的）。
矩陣正交化
有時可能會遇到略微違反了正交性的矩陣。例如，可能從外部得到了壞數據，或者是浮點運算的累積錯誤（稱作”矩陣爬行“）。這些情況下，需要做矩陣正交化，得到一個正交矩陣，這個矩陣要盡可能地和原矩陣相同（至少希望是這樣）。
構造一組正交基向量（矩陣的行）的標準算法是施密特正交化。它的基本思想是，對每一行，從中減去它平行于已處理過的行的部分，最后得到垂直向量。
以3x3矩陣為例，和以前一樣，用r1、r2、r3代表3x3階矩陣M的行。正交向量組r1'、r2'、r3'的計算如公式9.9所示：
現在r1'、r2'、r3'互相垂直了，它們是一組正交基。當然，它們不一定是單位向量。構造正交矩陣需要使用標準正交基，所以必須標準化這些向量。注意，如果一開始就進行標準化，而不是在第2步中做，就能避免所有除法了。
施密特正交化是有偏差的，這取決于基向量列出的順序。一個明顯的例子是，r1總不用改變。該算法的一個改進是不在一次正交化過程中將整個矩陣完全正交化。而是選擇一個小的因子k，每次只減去投影的k倍，而不是一次將投影全部減去。改進還體現在，在最初的軸上也減去投影。這種方法避免了因為運算順序不同帶來的誤差。算法總結如下:
該算法的每次迭代都會使這些基向量比原來的基向量更為正交化，但可能不是完全正交的，多次重復這個過程，最終將得到一組正交基。要得到完美的結果，就得選擇一個適當的因子k并迭代足夠多次（如：10次）。接著，進行標準化，最后就會得到一組正交基。