机器博弈领域的研究分为完备信息博弈和非完备信息博弈,二者主要区别在于博弈参与者能否掌握所有局面信息。对手建模是指通过观察对手的一系列行为动作,分析背后的潜在意图,构建对手的个性化行为和策略弱点的表示模型,最终达到利用对手制定出具有针对性决策的目的,是解决非完备信息博弈问题的主要手段之一。二打一扑克中是典型的非完备信息博弈,同样能够使用对手建模解决该领域中的博弈问题。然而,目前在二打一扑克领域中的对手建模方法存在研究成果少、实现方式单一导致应用场合受限的问题。策略偏向和神经网络是两种经典的对手建模方法。基于策略偏向的对手建模方法通过对手在二打一扑克博弈过程中的具体动作分析对手的博弈风格,直接重用预先设置好的对手模型制定策略,具有建模速度快的优点,但是对手模型的效果依赖领域知识和专家经验;基于神经网络的建模方法具有很强的抗干扰性,能在不需要二打一扑克领域知识的前提下提取出影响对手动作的因素,完成对手动作预测,但是存在训练数据量大、模型不可重用的问题,无法用于在线实时博弈。本文研究二打一扑克中的对手建模问题。首先,本文提出了一种二打一扑克手牌牌力计算方法。通过拟合统计结果得到所有牌型的牌力计算公式,将此牌型牌力计算公式作为蚁群算法的启发函数用于解决手牌的组合优化问题,得到一种手牌拆分方案,并将此拆分方案下的平均牌型牌力作为手牌牌力。然后,本文结合手牌牌力计算方法,提出了一种基于动作特征提取的二打一扑克对手建模方法,从对手特征以及对手动作两个角度进行对手建模。根据对手表现出的叫牌风格和跟牌风格,将对手的博弈风格分为松-激进、松-保守、紧-激进、紧-保守四种,并结合博弈水平完成对手特征建模。在对手动作建模方面,本文采用神经网络的方法对对手的主动出牌动作和跟牌动作进行预测,结合对手的博弈风格,训练得到了四种通用的群体模型,避免了对特定对手历史数据需求量大的问题,提高了模型的可重用性。最后,本文介绍了如何将建立的对手模型应用于现有二打一扑克博弈算法,提高算法的决策质量。具体包括:利用对手信息提高完备化局面的预测准确率,减少未知信息的不确定性带来的风险;将对手的动作偏向作为先验知识调整树搜索的选择公式,避免对低价值节点的搜索次数过多,保证算法搜索结果的质量;改变搜索次数以适应不同博弈水平的对手,提高算法的现实应用价值。为了验证提出对手建模方法的有效性,本文设计实验对比引入对手模型前后的博弈智能体在面对相同风格对手时的游戏表现。实验结果表明,本文提出的对手建模方法结合贝叶斯方法能够提高对手手牌的预测准确率;另一方面,基于对手模型的博弈智能体在面对四种风格的对手时,无论是地主胜率还是农民胜率都得到了提升,证明了本文提出的对手建模方法能够提升智能体的博弈水平。