非完备信息博弈类问题在实际生活中广泛存在,例如商业谈判、广告定价、军事策略、金融交易等都属于非完备信息博弈领域,因此对相关领域的研究有着较大意义。非完备信息博弈具有信息不对称的特点,问题的复杂度比完全信息博弈问题更高,难以通过传统的博弈方法来解决此类问题,如何通过有限的已知信息求得最优解是本论文研究的重点。本文以四人麻将为例,提出了将博弈树与机器学习结合的方法来解决非完备信息博弈问题。本文的主要工作和创新点如下:1)结合麻将的博弈规则,将博弈过程抽象成博弈树。结合专家经验,优化了搜索树的展开方式,将搜索树的模拟展开过程转变为按照获胜条件反推出获胜路径,将搜索的复杂度由指数级降低为多项式级。在估值函数的设计上,综合了得分与获胜概率,采用获胜期望来表示胡牌路径的优劣,使估值更为准确,兼顾了高分与高胜率的胡牌倾向。2)采用蒙特卡洛模拟的方式来建立对手模型,结合数据分布特征与当前局面中的公共已知信息推测对手隐藏信息,按照轮次与当前的局面状态进行有概率的随机模拟,采用对手已知信息来进行可信度验证,并结合历史数据统计调整模拟结果,使其更加贴近实际情况。利用蒙特卡洛模拟得到的对手模型,提高在博弈树扩展过程中的获胜期望评估准确度。3)深度学习是高度依赖样本质量的算法,而在非完备信息博弈中又存在高质量数据难以获取、数据样本的质量也难以评价的问题。因此本文利用设计好的博弈树方法,输入完美信息进行决策,通过博弈树的自我对局产生优质的样本数据,抽取特征后采用深度残差网络训练。这样的方式相比于一般的博弈树方法,更好的利用了隐藏信息;相较于直接学习人类样本的深度学习方法,只需要更少的特征就能达到更好的预测效果。4)设计并搭建了测试平台。通过测试平台的简单配置,可以实现机器人之间相互的对局,将测试产生的数据保存到数据库当中;完成了回放系统的搭建,并通过web端将对局数据可视化。通过测试平台能够进行数据统计、决策分析、和博弈行为分析。