博弈作为一种生活中常见的一类问题越来越引起重视,不少研究者尝试研究各种复杂背景下的机器博弈问题,特别是非完备信息博弈。早期的研究者通常需要手动获取并处理大量的数据,过程繁琐枯燥,给研究带来了诸多不便。随后人们便意识到自动获取信息的重要性,但是不少数据是对人类而言直观,对计算机而言却十分抽象。伴随着人工智能行业的发展,人们开始使用深度学习的方法来研究这一问题。研究非完备信息博弈最重要的主体是博弈中的局面信息,既是上一手决策的结果,又能为下一手决策提供帮助,本文以线上麻将游戏作为非完备信息博弈的研究对象,通过分析其图形化的界面,提出使用图像处理的方法获取其局面信息。主要完成的研究工作如下:1.设计了基于Mask RCNN实例分割算法的非完备信息博弈局面数据的获取方法,通过结合ResNet101的特征金字塔网络进行特征提取,利用区域特征提取网络识别目标区域中的信息,通过神经网络得到语义分割结果实现实例分割。与Yolo v3模型识别的结果进行对比,实验结果表明:Mask RCNN实例分割的识别准确率更高,而检测速度更慢,但对于需要准确获取的非完备信息博弈局面数据更加适用。2.设计了将Mask RCNN模型移植到iOS移动端的三种方法。考虑到移动端应用的发展及移动设备越来越高的性能,同时为了解决网络传输,资源的利用以及用户隐私等问题,本文提出了三种方法将训练好的实例分割模型移植到iOS移动端,实验结果表明:CoreML框架不适用于转换部分深度学习模型;使用Python解释器的方式由于解释器过大的容量不利于实际的使用;使用OpenCV成功移植了 Tensorflow object detection api 训练的Mask RCNN模型,实现了在移动端上对非完备信息博弈局面数据的分割识别。