定义
欧氏空间（Euclidean Space）是装备了标准内积的有限维实向量空间，通常记为 。其核心在于通过内积在纯粹的代数向量空间中引入了几何上的长度和角度概念。对于空间中的任意两个向量 和 ，其标准内积定义为：
由此内积可严格诱导出向量的 范数 ，以及两点间的欧氏距离度量 。
几何与代数特性
从代数视角来看，欧氏空间是一个完备的有限维希尔伯特空间（Hilbert Space），其具备极佳的解析性质，是微积分、矩阵分析与变分计算的默认基准空间。从几何视角来看，欧氏空间是平直的，曲率处处为零，完全遵循欧几里得几何系统的全部公理。
欧氏空间同时具备线性结构和度量结构。空间中的平移、旋转和反射等正交变换构成了欧氏群 ，这类变换能够在保持点间距离和夹角绝对不变的前提下，维持空间的等距同构。这也意味着在欧氏空间中，方向和尺度的度量具有全局一致性。
核心应用
在数据表征与算法工程中，欧氏空间是建模与降维最底层的数学载体。
表征学习与度量计算
深度神经网络的隐藏层激活值默认分布在高维欧氏空间中。在多模态对齐（如 VLM）或对比学习中，不同模态的输入被映射到共享的欧氏特征空间，通过欧氏距离或余弦相似度（归一化后的内积）直接衡量语义或身份特征的匹配程度。特征提取器（如 DINO 或 CLIP）的有效性，本质上取决于其能否在平直空间中拉近正样本对并推远负样本。
生成模型的潜在空间建模
在自回归生成或扩散模型中，高维连续数据的潜在空间（Latent Space）常被构造为欧氏空间上的特定分布（如标准高斯分布）。尽管真实世界的图像或文本特征流行（Manifold）往往是高度非线性且弯曲的，网络结构的目标是将这些复杂流行映射并展平到欧氏空间中。这种平直化使得去噪过程、特征解耦以及属性插值可以依赖最基础的线性运算（如向量加减法或球面线性插值）来完成。
物理与视觉基础约束
在处理像素级密集任务或空间感知任务时，2D 或 3D 欧氏空间是进行仿射变换、掩码对齐、目标追踪以及三维重建的绝对物理参考系。所有针对图像网格的操作本质上都依赖于该空间度量的平移不变性。