实时战略游戏(RTS)目前已经被证明是在人工智能研究中一个极具挑战性的应用领域。RTS游戏以巨大的动作状态空间,敏捷的反应速度,以及细微巧妙的游戏状况而备受关注。选取动作是RTS游戏中最重要的操作,而选择动作主要依靠于游戏树搜索算法。游戏树应用于博弈论,通常使用游戏树表示游戏中的各种后续可能性。起始节点代表游戏中任一场景,而子节点是在父节点的游戏状态下,执行一步操作产生的后续可能性。在RTS游戏中,游戏树搜索的质量对于最终结果至关重要。随着单位数量的增加,RTS游戏的搜索时间呈指数增长,以至于在严格实时约束下,无法完全搜索游戏树。现有的人工智能解决方案受到动作空间以及实时约束的限制,多数方法虽然能够有效解决战术战略子问题,但仍然没有足够高效的算法应对大型问题集。为此,本文以实时性为原则,以准确性为目标提出新的树模型—T(α,β)及新的搜索算法—τ-AlphaBeta搜索算法,保证在严格时间限制下,返回较优解。论文的主要工作包括:(1)分析极大极小值搜索算法和AlphaBeta搜索算法的搜索原理。在实时战略游戏中,极大极小值搜索算法和AlphaBeta搜索算法在严格时间限制下,无法进行完全的树搜索,效率较低。(2)构造T(α,β)树模型。在模型中引入不断更新且动态变化的alphabeta修正因子τ,τ值基于环境选取。并且从理论上分析τ值的有效性。(3)提出τ-AlphaBeta搜索算法。在算法中,结合星际争霸的对战原理定义双方的移动规则及搜索策略,并且将新算法应用到星际争霸战斗模型中,与AlphaBeta搜索算法和UCT搜索算法进行对比实验和分析,结果表明τ-AlphaBeta搜索算法在星际争霸中表现优于对比算法。