不能将参数 1 从“char [10]”转换为“LPTSTR”

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.6k累计阅读 1.7k平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄17年

关注

原创最新推荐文章于 2026-05-26 10:07:23 发布 1.6k 阅读 AI 写同款· GEO 优化 ›

error: C2664: 无法将参数 1 从“const char [13]”转换为“QString 扩展趣谈 #include "widget.h" #include <QApplication> QString foo(); void bar( QString &s); int main(int argc, char *argv[]) { QApplication b(argc, argv); Widget w; w.show(); bar(foo... 阅读详情

在vc中编写以下代码时：

char ch1[10],ch2[10],ch3[10],ch4[10];
GetDlgItem(IDC_EDIT1)->GetWindowText(ch1,10);
GetDlgItem(IDC_EDIT2)->GetWindowText(ch2,10);
GetDlgItem(IDC_EDIT3)->GetWindowText(ch3,10);

出错提示：

不能将参数 1 从“char [10]”转换为“LPTSTR”
1> 与指向的类型无关；转换要求 reinterpret_cast、C 样式转换或函数样式转换

解决方法：

右击当前项目，选择属性，在项目默认值下面的“字符集”选项改为“使用多字节字符集”就可以了。这是多种编程语言标准不统一造成的。

收录于

学习中的经验心得

当前文章被收录于：

学习中的经验心得

5 篇文章 0 人学习

订阅专栏查看详情

当前文章被以下社区和专栏收录：

标签

#编程 #语言 #c

【从零开始学Skynet】实战篇《球球大作战》（一）：功能设计为了能把之前在基础篇中学习到的Skynet的各种知识结合起来，所以在实战篇中，我们准备开发一个完整的游戏案例《球球大作战》，介绍分布式游戏服务端的实现方法。阅读详情

相关推荐

A-Level经济例题解析及练习Opportunity Cost

例题Question: Opportunity CostYou are selling your 1996 Mustang.  You have already spent $1000 on repairs. At the last minute, the transmission dies.  You can pay $600 to have it repaired, or sell the car “as is.”In each of the fol

Alevel3的博客 744

无法从char数组转向LPCTCHAR

LPCTSTR解释如下： LP：long point 长指针 C：const常量 T:UNICODE下就是W(wide)表示宽的意思，多字节环境下就是A（ascii） STR：string字符串这个错误提示是说，需要传入宽字符而当前使用的是ascii码不是宽字符。两种解决办法 1. 改变工程的属性，属性–常规–字符集修改为多字节 2. 把char 变成 w_char_t 注意写入和读

writeeee的专栏 615

（超详细）Scala环境搭建（scala-2.12.15、IDEA2021.1.3）

Scala环境搭建（scala-2.12.15、IDEA2021.1.3） JunLeon——go big or go home 目录 Scala环境搭建（scala-2.12.15、IDEA2021.1.3）一、Scala概述 1、什么是Scala？ 2、Scala发展史 3、Scala与Java的关系二、Scala环境搭建 1、环境准备 2、Scala安装与配置环境变量 3、验证Scala 三、编写第一个Scala程序 1、使用IDEA创建maven工程 2、.

JunLeon的博客 3万+

解决C++ Easyx char和string无法转为LPCTSTR的问题

下面BUFFERSIZE可以自行修改值。实际上LPCTSTR就是TCHAR*一般情况下，我们会这样写。包含字符串变量也会出错。直接用字符串变量也会出错。

leleprogrammer的博客 1779

告别屏幕闪烁：手把手教你用示波器抓取并分析MIPI DSI信号（以RK平台为例）

本文详细介绍了如何利用示波器抓取并分析MIPI DSI信号，以解决LCD屏幕闪烁、花屏等问题。以RK平台为例，从工具准备、示波器参数配置到信号捕获与波形解读，提供了一套完整的调试方案，帮助硬件工程师快速定位和解决显示接口信号完整性问题。

weixin_33704591的博客 654

odoo19/18集成reportbro 打印插件完美支持静默打印

ReportBro设计器一个用于创建PDF和XLSX报告模板的javascript插件。ReportBro Designer可以轻松集成到您的Web应用程序中。每个人都可以设计和编辑文档模板，并直接在浏览器中预览它们。可以使用服务器上的（有关完整的文档和演示，请参阅上的ReportBro项目网站。reportBro官方没有提供。测试环境：odoo17社区版。2.产品标签打印设计。

zxltwins的博客 2772

不能将参数 1 从“char *”转换为“LPCTSTR”

不能将参数 1 从“char *”转换为“LPCTSTR” 类似代码： // 设置默认选项为0 char str[100]; for (int i = 0; i 20; i++) { sprintf(str, "COM%d", i + 1); m_comPort.AddString(str); } m_comPort.SetCurSel(0); 最快的

D.D.U的博客 5136

香橙派5B-RK3588-NPU内核升级至0.9.8：RKLLM多模态部署实战

本文详细介绍了香橙派5B-RK3588设备NPU内核升级至0.9.8版本的完整流程，重点讲解了升级的必要性、两种升级方案（预编译包安装与自行编译内核）以及RKLLM SDK的安装配置。通过实战演示多模态模型转换与推理，显著提升AI计算性能，为嵌入式AI部署提供实用指南。

salt9的博客 1026

error C2664: “int CWnd::GetWindowTextW(LPTSTR,int) const”: 不能将参数 1 从“char [10]”转"相关的问题

为了解决用户可能碰到关于"error C2664: “int CWnd::GetWindowTextW(LPTSTR,int) const”: 不能将参数 1 从“char [10]”转"相关的问题，经过收集整理为用户提供相关的解决办法，请注意，解决办法仅供参考。"error C2664: “int CWnd::GetWindowTextW(LPTSTR,int) const”: 不能将参数 1

图像处理与模式识别 1011

基于深度学习YOLOv10的人脸表情识别系统（附完整资源+PySide6界面+训练代码）

本文介绍了如何基于YOLOv10实现一个人脸表情识别系统。我们从数据集准备、模型训练到PySide6界面实现进行了详细的讲解。通过该系统，用户可以实时检测和分类人脸表情，为情感分析、智能交互等应用场景提供支持。

YOLO 1053

Xilinx DDR3 MIG IP核设计--汇总导航

快速上手Xilinx DDR3 IP核----汇总篇

孤独的单刀 2万+

int CWnd::GetWindowTextW(LPTSTR,int) const”: 不能将参数 1 从“char [10]”转换为“LPTSTR”

int CWnd::GetWindowTextW(LPTSTR,int) const”: 不能将参数 1 从“char [10]”转换为“LPTSTR”问题描述：view plain//定义了三个编辑框控件接受num1 num2 num3 void CTestDlg::

yuxi584350的专栏 1958

【实战项目开发技术分享】ROS1.0、ROS 2.0和CyberRT开源通信框架对比

随着机器人和自动驾驶技术的飞速发展，开源通信框架在机器人、自动驾驶行业扮演着重要的角色。ROS1.0是一个广泛应用于机器人领域的开源框架，ROS 2.0是其改进版本，而CyberRT是Baidu Apollo自动驾驶平台的通信框架。ROS和ROS 2.0都注重灵活性和共享性，适用于各种机器人应用。CyberRT则专注于实时性和高性能，适用于自动驾驶等对实时性要求较高的场景。选择适合的框架取决于具体应用需求和开发者的偏好。

xiewf的博客 2万+

error C2664:不能将参数 1 从“CString”转换为“const char *”

提示错误“error C2664: "gethostbyname": 不能将参数 1 从"CString"转换为"const char *"”。 CString host; lpHost = gethostbyname(host); 最快的解决办法： Since this function requires Ansi string, I think you

Karen的博客 1万+

C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正

霍尼韦尔SoftMaster使用说明

char*与wchar_t*(LPTSTR) 如何相互转换

#include<string>//标准C++； string tp; wchar_t *s; char *d; tp=s; d=tp.c_str(); 也可使用WideCharToString(wchar_t * Source);函数转换 WideCharToMultiByte MultiByteToWideChar LPSTR = cha...

xuq09的专栏 2549

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

c++中LPCTSTR,LPTSTR 解释

char是C语言标准数据类型，字符型，至于由几个字节组成通常由编译器决定，一般一个字节。Windows为了消除各编译器的差别，重新定义了一些数据类型，你提到了另外几个类型都是这样。CHAR为单字节字符。还有个WCHAR为Unicode字符，即不论中英文，每个字有两个字节组成。它实际定义在<string.h>里： typedef unsigned short wchar_t。下面在看...

u011555996的博客 2万+

最新的sdio 4.0 spec 协议标准带书签高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf：最新的sdio 4.0 spec 协议标准带书签高清完整PDF版，包括SDIO 接口的外设，SDIO 接口官方协议等。

不能将参数1从“const char []”转换为“LPCTSTR

今天在使用vs2008+MFC时候，使用editControl的replacesel（“”）发生报错。如下：:不能将参数1从“const char []”转换为“LPCTSTR” 其解决方案就是, 在项目属性里面找到项目默认值下面的字符集, 将其换为:使用多字节字符集就ok了。原因： typedef LPCTSTR LPTSTR ; #ifndef

wangjingboasp的专栏 3478

error C2664: “int CWnd::GetWindowTextW(LPTSTR,int) const”: 不能将参数 1 从“char [15]”转换为“LPTSTR”

huijie4728的专栏 2521

CString 和 LPCTSTR 之间的转换及 LPSTR、LPWSTR、LPCSTR、LPCWSTR、LPTSTR、LPCTSTR的区分与转化

今天在写代码的时候碰到这样的问题，网上查了一下，做了以下整理：CString 和 LPCTSTR 可以说通用。原因在于CString定义的自动类型转换，没什么奇特的，最简单的C++操作符重载而已。常量字符串ansi和unicode的区分是由宏_T来决定的。但是用_T( "abcd ")时，字符串 "abcd "就会根据编译时的是否定一_UNICODE来决定是char* 还是 w_char*。同样，TCHAR 也是相同目的字符宏。看看定义就明白了。简单起见，下

caowei880123的专栏 2867

MFC遇到的一个字符集问题:不能将参数1从“const char []”转换为“LPCTSTR”

今天在使用vs2008+MFC时候，使用editControl的replacesel（“”）发生报错。如下：:不能将参数1从“const char []”转换为“LPCTSTR”其解决方案就是, 在项目属性里面找到项目默认值下面的字符集, 将其换为:使用多字节字符集就ok了。原因

kkk328的专栏 3395

不能将参数 1 从const char [*]转换为LPCWSTR

转自: https://blog.youkuaiyun.com/whynottrythis/article/details/39839007 [2014/10/07 0:29]其解决方案就是, 将项目->属性->配置属性->常规->项目默认值下面的字符集换为:使用多字节字符集原因： 1.了解ANSI和Unicode编 1、ANSI（即MBCS）：为多字节字符集，它是不定长表示世界...

weixin_34265814的博客 609

不能将参数 1 从“CString”转换为“const char *”

http://fengqing888.blog.163.com/blog/static/330114162012016103558408/ 你在vs2008中默认字符集是UNICODE字符集，CString中字符以wchar_t的形式来存储的，而不是char。你在项目-》属性-》配置属性有一个字符集，可以改字符集，改成多字节字符集就行了。我在VC的unicode项目中使用