首先，讲到矩阵的秩，几乎必然要引入矩阵的SVD分解：X=USV'，U,V正交阵，S是对角阵。如果是完全SVD分解的话，那S对角线上非零元的个数就是这个矩阵的秩了（这些对角线元素叫做奇异值），还有些零元，这些零元对秩没有贡献。
有了这个前提，我们就可以用各种姿势来看秩了：
1.把矩阵当做样本集合，每一行（或每一列，这个无所谓）是一个样本，那么矩阵的秩就是这些样本所张成的线性子空间维数。如果矩阵秩远小于样本维数（即矩阵列数），那么这些样本相当于只生活在外围空间中的一个低维子空间，这样就能实施降维操作。举个例子，同一个人在不同光照下采得的正脸图像，假设每一张都是192x168的，且采集了50张，那构成的数据矩阵就为50行192x168列的，但是如果你做SVD分解就会发现，大概只有前10个奇异值比较大，其他的奇异值都接近零，因此实际上可以将接近零的奇异值所对应的那些维度丢掉，只保留前10个奇异值对应的子空间，从而将数据降维到10维的子空间了。
2.把矩阵当做一个映射，既然是映射，那就得考虑它作用在向量x上的效果Ax。注意Ax相当于A的列的某个线性组合，如果矩阵是低秩的，这意味着这些列所张成的空间是外围空间的一个低维子空间，这个空间由Ax表达（其中x任意）。换句话说，这个矩阵把R^n空间映射到R^m空间，但是其映射的像只在R^m空间的一个低维子空间内生活。从SVD理解的话，Ax=USV'x，因此有三个变换：第一是V'x，相当于在原始的R^n空间旋转了一下坐标轴，这样只是坐标的变化，不改变向量本身（例如长度不变）；第二是S(V'x)，这相当于沿着各个坐标轴做拉伸，并且如果S的对角线上某些元素为零，那么这些元素所对应的那些坐标轴就相当于直接丢掉了；最后再U(SV'x)，还是一个坐标轴旋转。总的来看，Ax就相当于把一个向量x沿着某些特定的方向做不同程度的拉伸（附带上一些不关乎本质的旋转），甚至丢弃，那些没被丢弃的方向个数就是秩了。
这样就有很多很直接的应用。例如考虑第一个意义。给定一堆数据，这些数据可能本身只是在一个低维子空间内生活（即可以用一个低秩矩阵表示），但是由于噪声存在，我们拿到这些数据时它们看起来像是外围空间中的点，没有任何可以降维的迹象（即矩阵是满秩的）。设我们拿到的数据是X，那么根据这个设定，X应该能分解为一个低秩矩阵L和一个噪声矩阵E的叠加，即X=L+E。现在问题是如何恢复出L，因为一旦找到L，就相当于去除了噪声，同时降低了数据的复杂度（即维度）。怎么恢复？可以通过求解min rank(L)+|E|_F^2, subject to X=L+E来恢复出L和E。秩就显式地被用在这个问题里了。当然，这个问题往往只是引子，无数论文在写出类似问题后不到三行就会把rank(L)换成|L|_*，这个就是另外一些故事了。。。
按我的经验，跟秩有关的问题以及几何意义，只需要仔细分析矩阵的SVD分解就能解决。但很可惜，大学里的线性代数更喜欢去介绍SVD的兄弟——特征值分解，而这个兄弟又往往只偏好对称阵，不像SVD这样所有实矩阵都可以分析，导致处理一般矩阵的秩时没有一个趁手的工具。