Windows 下 LAPACK 和 BLAS 安装教程：从零配置到可用

一、先搞清楚：LAPACK 和 BLAS 是什么

如果你在 Windows 上做科学计算、数值分析、矩阵运算、机器学习底层开发，基本都会碰到 BLAS 和 LAPACK。

• BLAS：基础线性代数子程序，主要负责向量、矩阵乘法等底层计算。
• LAPACK：建立在 BLAS 之上，提供更完整的线性代数功能，比如解线性方程组、特征值分解、奇异值分解等。

简单理解就是：

• BLAS 负责“算得快”
• LAPACK 负责“算得全”

在 Windows 上安装这两个库，最常见的场景有三种：

1. Python / SciPy / NumPy 依赖
2. Fortran / C / C++ 科学计算项目
3. MATLAB、Julia、R、开源工具链环境配置

---

二、Windows 上安装 LAPACK / BLAS 的常见方案

Windows 不是 Linux，很多科学计算库默认更偏向 Linux 环境，所以安装方式要选对。下面按“简单到专业”来讲。

方案一：直接安装预编译版本，最适合新手

如果你只是想“装好能用”，推荐优先考虑：

• Intel oneMKL
• OpenBLAS
• MSYS2 / MinGW 提供的 BLAS/LAPACK
• conda 环境自动带的版本

1）通过 Conda 安装

这是最省事的方法，适合 Python 用户。

安装 Miniconda 或 Anaconda 后，打开终端执行：

conda install -c conda-forge lapack blas

如果是 NumPy、SciPy 用户，通常直接装它们就够了：

conda install -c conda-forge numpy scipy

因为这些包通常会自动把 BLAS/LAPACK 依赖带上。

优点

• 安装简单
• 兼容性好
• 不用自己编译
• 适合 Python 科学计算

缺点

• 不太适合纯手工 C/C++ 项目
• 对底层性能和版本控制不够灵活

---

方案二：安装 OpenBLAS，适合大多数通用项目

OpenBLAS 是 Windows 上非常常用的 BLAS/LAPACK 实现，开源、免费、性能也不错。

获取方式

你可以选择：

• 从官方编译包下载
• 用 MSYS2 安装
• 用 vcpkg、Conda 等包管理工具安装

适合场景

• C/C++ 项目
• Fortran 项目
• Python 扩展开发
• 需要手动链接库的项目

---

方案三：使用 MSYS2 / MinGW 安装，适合开发者

如果你写 C/C++ 或 Fortran，建议用 MSYS2，它的包管理很方便。

安装步骤

第一步：安装 MSYS2

先去安装 MSYS2，装完后打开 MSYS2 UCRT64 或 MSYS2 MinGW64 终端。

第二步：更新系统包

pacman -Syu

如果提示关闭窗口重开，按提示操作，再执行一次：

pacman -Syu

第三步：安装 OpenBLAS / LAPACK

pacman -S mingw-w64-x86_64-openblas

有些环境里 LAPACK 可能已经包含在 OpenBLAS 中，或者作为单独包提供。如果需要，可继续安装相关数学库：

pacman -S mingw-w64-x86_64-lapack

优点

• 适合编程开发
• 包管理统一
• 更新方便
• 编译环境较完整

缺点

• 对新手略复杂
• 需要区分 UCRT64、MINGW64 等环境

---

方案四：下载 LAPACK 官方源码手动编译，适合专业用户

如果你需要定制编译参数、静态库、指定优化选项，可以自己编译 LAPACK 和 BLAS。

适合谁

• 做科研计算
• 需要特定编译器优化
• 项目要求自己控制库版本
• 需要静态链接

基本思路

1. 下载 LAPACK 源码
2. 配置 Fortran 编译器
3. 编译 BLAS
4. 编译 LAPACK
5. 在项目里链接生成的库文件

不过这条路线在 Windows 上会比 Linux 麻烦一些，通常需要：

• gfortran
• MinGW-w64
• 或 Intel Fortran 编译器

---

三、最推荐的实际安装方式

下面按用户类型给出最实用的选择。

1. 你是 Python 用户

直接装 Anaconda / Miniconda，然后：

conda install -c conda-forge numpy scipy

如果明确要装：

conda install -c conda-forge lapack blas

这是最稳的。

---

2. 你是 C/C++ 开发者

推荐：

• MSYS2 + OpenBLAS
• 或 vcpkg + OpenBLAS

如果是 Visual Studio 项目，也可以考虑用预编译 .lib / .dll 文件手动配置。

---

3. 你是 Fortran 用户

推荐：

• gfortran + MSYS2
• 或 Intel oneAPI Fortran + MKL

Fortran 场景里，Intel oneMKL 通常表现很好，尤其是性能和兼容性上。

---

四、Windows 下安装 OpenBLAS 的具体方法

这里给一个最常见、最容易上手的方案。

方法一：用 Conda 安装

适合 Python 环境：

conda install -c conda-forge openblas

然后再安装需要的科学计算包：

conda install -c conda-forge numpy scipy

---

方法二：用 MSYS2 安装

适合开发环境：

pacman -S mingw-w64-x86_64-openblas

如果还要 LAPACK：

pacman -S mingw-w64-x86_64-lapack

安装后通常能在类似目录找到库文件：

• C:\msys64\mingw64\bin
• C:\msys64\mingw64\lib
• C:\msys64\mingw64\include

---

方法三：手动下载预编译包

适合不想折腾包管理器的人。

你需要准备：

• .dll 文件：运行时库
• .lib 文件：链接库
• .h 文件：头文件

常见配置步骤

1. 解压到固定目录，比如： D:\libs\openblas
2. 把 bin 目录加入系统环境变量 Path
3. 在 Visual Studio 里配置：
   • 包含目录
   • 库目录
   • 附加依赖项

---

五、Visual Studio 中链接 BLAS / LAPACK 的方法

如果你在 Windows 上用 Visual Studio 开发，通常要手动配置。

1. 设置包含目录

进入：

项目属性 → C/C++ → 常规 → 附加包含目录

添加：

D:\libs\openblas\include

2. 设置库目录

进入：

项目属性 → 链接器 → 常规 → 附加库目录

添加：

D:\libs\openblas\lib

3. 添加依赖库

进入：

项目属性 → 链接器 → 输入 → 附加依赖项

添加类似：

openblas.lib
lapack.lib

具体文件名要看你下载的包是什么命名。

4. 运行时 DLL

如果是动态链接库，还要把对应的 .dll 放到：

• 程序同目录
• 或系统 Path 中

否则运行时会报错“找不到某某 DLL”。

---

六、Python 中如何确认 BLAS / LAPACK 是否安装成功

如果你装的是 NumPy / SciPy，可以这样检查。

查看 NumPy 链接情况

import numpy as np
np.show_config()

输出里如果看到：

• openblas
• mkl
• blas
• lapack

就说明相关库已经在使用。

查看 SciPy 是否正常工作

from scipy.linalg import inv
import numpy as np

a = np.array([[1, 2], [3, 4]])
print(inv(a))

如果能正常输出矩阵逆，说明 LAPACK 相关功能基本可用。

---

七、常见安装问题与解决办法

问题 1：提示找不到 DLL

这是最常见的。

原因

系统找不到动态库文件。

解决方法

• 把 .dll 放到程序目录
• 或把库所在目录加入 Path
• 或重新安装对应运行时包

---

问题 2：编译时报 undefined reference

通常是链接顺序不对，或者少链接了库。

解决方法

检查是否正确添加：

• openblas
• lapack
• gfortran
• libgfortran
• libquadmath

在 MinGW / gfortran 环境里尤其常见。

---

问题 3：32 位和 64 位不匹配

这是 Windows 上的经典坑。

表现

• x86 程序链接不上 x64 库
• x64 程序加载不了 x86 DLL

解决方法

统一架构：

• 64 位系统尽量用 64 位库
• Visual Studio 项目平台和库版本保持一致

---

问题 4：性能不理想

如果你发现 BLAS/LAPACK 很慢，可能用的是默认基础实现。

建议

• 优先用 OpenBLAS 或 MKL
• 开启 CPU 优化
• 确认程序没有误用单线程版本

---

八、性能选择建议：OpenBLAS 还是 MKL

OpenBLAS

优点：

• 免费开源
• 安装方便
• 兼容性好
• 大多数场景够用

适合：

• 学习
• 开发
• 普通科研计算

MKL

优点：

• 性能强
• Intel 平台优化好
• 生态成熟

适合：

• 高性能计算
• 工程项目
• 对性能要求高的数值计算

如果你不确定怎么选，先从 OpenBLAS 开始，成本低、折腾少。

---

九、推荐安装路线总结

新手最省事路线

1. 安装 Miniconda
2. 执行：

conda install -c conda-forge numpy scipy

3. 需要单独库时再装：

conda install -c conda-forge openblas lapack

---

开发者推荐路线

1. 安装 MSYS2
2. 执行：

pacman -S mingw-w64-x86_64-openblas mingw-w64-x86_64-lapack

3. 在项目中配置 include/lib 路径
4. 按需链接 .dll 或 .a 文件

---

高性能专业路线

1. 安装 Intel oneAPI
2. 使用 MKL
3. 配合 Fortran / C / C++ 项目编译
4. 按 CPU 架构做优化

---

十、安装时最容易忽略的细节

1. 先确认自己要的是“库”还是“环境”

很多人以为“安装 LAPACK”就是下载一个文件，其实更常见的是：

• Python 环境里装依赖
• 编译环境里配置链接库
• 运行时保证 DLL 可见

2. 注意编译器匹配

例如：

• MSVC 项目不要随便拿 MinGW 编译的库直接用
• gfortran 编译的库，最好配套 gfortran 环境

3. 运行库别漏装

有些库能编译通过，但运行时报错，通常是：

• 缺 DLL
• 缺运行时
• 体系结构不一致

---

十一、最实用的结论

如果你在 Windows 上安装 LAPACK / BLAS，最推荐的思路是：

• Python 用户：直接用 Conda，最省心
• 开发者：用 MSYS2 + OpenBLAS/LAPACK
• 高性能需求：考虑 Intel MKL / oneAPI
• 不建议新手：一上来就手工编译源码

---

十二、快速命令汇总

Conda

conda install -c conda-forge openblas lapack
conda install -c conda-forge numpy scipy

MSYS2

pacman -Syu
pacman -S mingw-w64-x86_64-openblas mingw-w64-x86_64-lapack

Python 检查

import numpy as np
np.show_config()

---

十三、适合搜索引擎收录的关键词布局

这类文章比较适合围绕以下关键词自然展开：

• Windows 安装 LAPACK
• Windows 安装 BLAS
• OpenBLAS Windows 配置
• LAPACK Windows 编译
• BLAS LAPACK 环境搭建
• Visual Studio 链接 OpenBLAS
• Conda 安装 LAPACK
• MSYS2 安装 BLAS

把这些词自然融入正文，比堆砌关键词更容易被搜索引擎识别，也更符合用户阅读习惯。

---

十四、最后的实操建议

如果你现在就要动手，直接按这个顺序走最稳：

1. 先判断自己是 Python 用户 还是 开发者
2. Python 用户优先装 Conda
3. 开发者优先装 MSYS2 + OpenBLAS
4. 如果项目要求高性能，再考虑 MKL
5. 安装后一定做一次 np.show_config() 或简单矩阵运算测试
6. 出现 DLL 报错，优先查路径和架构是否匹配

这样基本能把 Windows 下的 BLAS / LAPACK 配好，不容易走弯路。