主定理：

n为问题规模，a为递推的子问题数量，n/b为每个子问题的规模，f（n）为递推意以外进行的计算工作。

a≥1，b>1为常数，f(n) 为函数，T(n) 为非负整数。则有以下结果（分类讨论）：

1）若 则有

2）若则有

3）若且对于某个常数c<1和所有充分大的n有

则有

其中，大O代表的是该算法的算法复杂度上限，即该算法在最坏情况之下的复杂度。f(x) = O(g(x))正式的数学定义：存在正常数c，n，n0，当n>n0时，对于任意f(n)符合0<=f(n)<=c*g(n) ,如图：

从这张图可以看出，当横坐标的值大于x=n0时，cg(n)的纵值总大于f(n),这可以理解为f(x)以g(n)为上界。

大omega则是代表该算法的算法复杂度下限，即该算法在最优情况之下的复杂度。 f(n)= Ω(g(n)) 正式的数学定义：存在正常数c、n、n0，当 n > n0 的时，任意的 f(n) 符合 0 <= c*g(n) <= f(n)。如图：

同理，我们可以从图中看出，在n0之后cg(n)总比f(n)小，因此可以理解为f(x)以g(n)为下界。

大theta是算法复杂度的确界，他既描述了上界，又描述了下界。
f(n)= θ(cg(n)) 正式的数学定义：存在正常数c1、c2、n、n0，当 n > n0 的时，对于任意的f(n）对符合 c1g(n) <= f(n) <= c2g(n)，c1g(n)、c2*g(n)都是渐进正函数（当n趋于无穷大的时候，f(n)为正）。 如图：

算法导论中还根据大O，大Ω，大θ的定义得到以下定理：
当且仅当函数 f(n) = O(g(n)) 并且 f(n）= Ω(g(n)) 时，才有 f(n) = θ(g(n))。

回到主定理，可以看出，只要求出log以b为底的a的n次方，复杂度就可以很快的算出来，我们把公式用刚介绍的概念翻译一下：

1）若f(n)以log以b为底的a-ε的n次方为上界，则该递推式的算法复杂度的确界为log以b为底的a的n次方

2）若f(n)以log以b为底的a的n次方为确界，则该递推式的算法复杂度的确界为log以b为底的a的n次方乘以logn

3）若f(n)以log以b为底的a+ε的n次方为下界，且n充分大，则该递推式的算法复杂度的确界为f(n)