这有很多问题。

for(int k=0; k< SIZE; k=k+4){
    for( int j=0; j<SIZE; j=j+4){

两个循环都前进4，因此内部循环的主体可一次处理旧的标量循环的16步。除非没有，否则它会执行“四件事”。

它们不是正确的东西：

X = _mm_load_ps(&m1[i][k]);
Y = _mm_load_ps(&m2[k][j]);
M = _mm_mul_ps(X,Y);

因此，内部循环的每次迭代都从m1中提取相同的小行向量，并从m2中提取下一个小行向量，然后将它们逐点相乘。那不行例如，如果我们有两个4x4矩阵：（部分显示）

A B C D   X Y Z W
E . . .   S . . .
I . . . × T . . .
M . . .   U . . .

内部循环的迭代将计算AX，BY，CZ和DW。结果确实是AX，但真正的矩阵乘法不涉及BY：m1的行与m2的列组合在一起，所以BY等无法将m1行中的第二个条目与m2列中的第一个条目相乘的位置。安排该计算的方法有很多，但是这里实现的方法不是重新安排，它计算了一些错误的乘积，并且跳过了许多必要的乘积。

从m2加载一小行，然后从m1广播 一个条目很方便。这样，乘积在mout中仅占一行，因此可以对其进行累加并写入结果，而无需进行进一步的改组。

通过某种方式，您已经完成了最后一部分，

mout[i][j] += Z[0];
mout[i][j+1] += Z[1];
mout[i][j+2] += Z[2];
mout[i][j+3] += Z[3];

..但是将其放在循环中是不好的，只有当乘积的结果是应该加到这些位置的数字时，才有意义。这种加载/求和/存储的事情在内部循环中，因为内部循环是j循环，但是可以通过交换j和k循环来解决：（未测试）

for (int i = 0; i < SIZE; i++) {
    for (int j = 0; j < SIZE; j += 4) {
        __m128 sum = _mm_setzero_ps();
        for (int k = 0; k < SIZE; k++) {
            __m128 entry = _mm_set1_ps(m1[i][k]);
            __m128 row  = _mm_load_ps(&m2[k][j]);
            sum = _mm_add_ps(sum,_mm_mul_ps(entry,row));
        }
        _mm_store_ps(&mout[i][j],sum);
    }
}

由于各种原因，该代码仍然很慢：

• 通过addps进行循环传递的依赖关系比可用吞吐量慢。使用更多独立的累加器。
• 每个算术运算的负载太多。
• 对于中大型矩阵，请使用缓存阻止。不过不是size = 40。

在这一行：

Z = _mm_add_ps(M,N);

N是未初始化的，因此Z将成为垃圾。