人工智能近年来受到越来越多的关注,并成为今年全国两会的热门话题。机器博弈的研究为人工智能提供了很多方法和理论,如博弈搜索等。机器博弈又分为完全信息博弈和不完全信息博弈,其中由于不完全信息博弈更贴近现实生活中的问题,如战争、股票市场及商场等,受到了越来越多研究者的重视。在现有研究工作的基础上,本文对不完全信息下桥牌博弈算法进行了研究,主要研究内容有以下几个方面:(1)提出了一种基于滑动窗口的抽样时间分配的GHA-BP叫牌学习策略。一直以来,叫牌法则的模糊性是计算机叫牌中需要解决的首要问题。现有的叫牌学习策略虽一定程度上解决了叫牌法则的模糊性,但其在抽样时间分配上不合理,并且基于ID3算法的叫牌预测准确度不高,导致学习叫牌策略能力有限。针对这些问题,本文提出了一种改进的叫牌学习策略,该策略采用滑动窗口对抽样时间进行预测分配,采用GHA-BP神经网络对模糊的叫牌法则进行分类学习。实验表明,该策略能够更合理地分配有限的时间和提高叫牌学习策略的准确率,降低与双明手叫牌结果的差异。(2)提出了一种基于启发式的蒙特卡罗打牌策略。一直以来,信息的不完全性是打牌过程中需要解决的首要问题。现有的蒙特卡罗打牌策略中通过随机抽样的方法为解决该问题提供了一种可行的思路,但常规抽样方法由于其盲目性存在抽样效率低的问题。因此,本文提出了一种改进的蒙特卡罗打牌策略,该策略将启发式的思想应用于生成样本牌局。实验验证了本策略能够在相同时间内产生更多满足叫牌约束的样本,能更准确地模拟当前状态的牌局,从而做出更为合理的打牌决策。(3)基于前面桥牌博弈算法的研究,本文设计并实现了一个计算机桥牌博弈系统。该系统包括控制系统和桥牌AI程序。控制系统实现了桥牌AI之间的通信功能,桥牌AI实现并验证了本文提出的叫牌及打牌算法。