人工智能是计算机领域的一个重要分支,其任务是研究使计算机胜任原本必须人的智力才能完成的工作。机器博弈作为人工智能的研究领域之一,是检验其发展水平的一个重要手段。它的研究为人工智能带来了很多方法和理论,产生了广泛的社会和学术影响。完备信息和非完备信息机器博弈是机器博弈领域的两个分支。非完备信息博弈的特点是博弈者在博弈过程中无法获得全部以及可信的局面信息。在非完备信息博弈中,博弈环境的真实状态往往是不可知的,参与其中的博弈者所掌握的信息是不对称和不完备的,这使得非完备信息博弈的研究更为复杂,更具有挑战性。相对于完备信息机器博弈,非完备信息机器博弈问题中的参与者因信息的不完备,策略选择面临必然的风险损失。同时,博弈者行为的个性化和非最优化的特点使之在策略选择中趋向不同的纳什均衡。实现有竞争力、高水平的非完备信息机器博弈系统,需要对以上问题展开分析,并寻求可行的解决方案。本文研究非完备信息机器博弈系统中风险模型及对手模型。研究的具体问题包括:大规模博弈树搜索,风险损失的评估与规避方法,对手建模。非完备信息条件决定了此类问题形成的博弈树规模非常巨大。蒙特卡洛博弈树搜索方法(MCTS:Monte-Carlo Tree Search)是解决大规模博弈树搜索的基本方法。UCT(Upper Confidence Bound Applied to Trees)算法为博弈树搜索过程中的分支选择过程提供了多种策略。本文实现了基于MCTS和UCT策略的非完备信息机器博弈系统策略选择方法。对不同的UCT算法策略进行分析和比对实验,讨论了UCT策略在博弈问题中的参数调整方法。非完备信息条件下,博弈者策略的预期收益与实际收益往往会产生偏差。其原因来自于对自身博弈环境判断的不准确性以及对对手行为预测的不准确性。本文提出博弈问题中的风险损失定义和估算方法。同时,结合UCT策略的置信搜索思想,提出了两者相结合的UCT-Risk策略。在实验中,该策略被证实在高风险特征的博弈问题中具有更好的效果。最后,提出了系统的风险策略选择模型。由于博弈信息的非完备性和不对称性,非完备信息博弈者趋向于不同的纳什均衡。建立对手模型,分析对手的个性化及聚类特征,建立更为高效的策略选择模型是近年来机器博弈领域的研究方向。本文还研究了对手建模的理论和算法,特别提出在棋盘类博弈游戏中的理论和应用方法。本文对对手建模过程中的对手聚类问题进行了深入探讨。使用KL(Kullback-Leibler)距离作为数据个体的聚类标准,提出了改进的群组聚类对手建模方法。该方法在保证对手聚类过程的准确性的基础上,减少对历史数据规模的依赖性,提高了历史数据的归类和分析能力。最后,本文讨论了非完备信息机器博弈系统的博弈信息获取、学习和系统评测方法,建立了一个可以支持大规模人机交互测试的机器博弈实验平台。基于测试平台积累的博弈数据,通过强化学习算法对机器博弈系统估值函数进行了训练,进一步提高了系统的博弈水平。