由于matlab中自带的svmtrain和svmclassify函数只能进行原始的二分（标签只能包含两个类别，正和负），如果想使用多类别标签分类，比如高光谱分类等等，那么就需要使用libsvm工具箱，下面就win10系统的matlab R2016a下安装libsvm进行说明。

一般的matlab添加工具箱的流程都是先将工具箱添加到matlab路径里面去，然后进行编译。最后再测试使用成功就说明工具箱安装完成。

1.下载libsvm工具箱，libsvm工具箱下载网站libsvm网站，或者直接从github上下载，一般是下载zip压缩文件，

2.将下载到的libsvm-3.23.zip进行解压，由于是matlab，那么就需要将解压后文件夹里面的windows文件移动到matlab里面去，如图：

，一般系统安装的matlab里面有toolbox文件夹，比如，但是这个libsvm是我第一次安装matlab的工具箱，因此我得另外使用一个文件夹来进行安装工具箱的实验，建议小白也这样做。

3.在matlab中添加libsvm文件夹，使用的是matlab因此，只需要将libsvm下面的matlab文件夹加入到matlab中去然后使用添加并包含子文件夹

如图，保存，并关闭。

3.进行编译。在命令行窗口中输入make进行编译，如果出现使用"MinGW64 Compiler(C)"编译，那么表示本机没有C编译器就的安装，根据你的机器是64还是32位进行下载，并安装。安装过程中注意尽量使用非中文路径以及非空格文件夹名路径。

安装完成之后得设置环境变量，设置完成之后测试是否安装成功。安装成功之后，

在matlab里面输入mex -setup出现这个则为安装成功，然后使用matlab进入libsvm下matlab文件，在命令行窗口使用make。如果出现如图：

则需要更改13行的CFLAGS为COMPELAGS,然后进行编译，如果出现如下图就是成功了

细心的你会发现，这个时候matlab窗口多出了四个文件，分别是刚刚编译的后缀为mexw64的文件，这里就是需要这几个文件，然后将这四个文件复制粘贴到window，目录下去就可以了，并且注意这里测试svmtrain的输入第一个是标签，第二个数样本，跟matlab自带的svmtrain是相反的。然后使用一下代码进行测试

[label_vector, instance_matrix] =libsvmread('D:\tools\libsvm-3.23\heart_scale');  //这里的路径为你放置libsvm的路径里面的heart_scale文件。
model = svmtrain(label_vector, instance_matrix);
[predicted_label, accuracy, prob_estimates] = svmpredict(label_vector, instance_matrix, model, 'b')

如果输出为

即为导入libsvm工具箱成功。关于svm分类器使用方法可以参考SVM多分类问题 libsvm在matlab中的应用