机器博弈是检验人工智能发展水平的一个重要标准,其研究成果能够解决许多现实问题。根据参与者能否完全掌握博弈状态,机器博弈分为完备信息机器博弈和非完备信息机器博弈。多人非完备信息机器博弈问题广泛存在于现实世界中:小到人与人之间的牌类博弈,大到国与国之间的军事博弈。因此,研究多人非完备信息机器博弈具有十分重要的意义。近年来,随着深度神经网络的发展,研究人员将神经网络应用在多人非完备信息机器博弈上,并取得了一定的成果。但是,用于训练神经网络的博弈数据来源于人类数据,需要人为进行收集和清洗。神经虚拟自博弈（Neural Fictitious Self-Play,NFSP）算法虽然能够通过神经网络不断地进行自博弈来产生博弈数据,并将数据用于训练和强化神经网络,但是其强化学习部分是深度Q学习网络,需要长时间才能收敛,且在具有庞大策略空间的博弈下表现不佳。此外,神经虚拟自博弈在自博弈过程中的决策并没有对隐藏信息进行分析和考虑,导致决策水平较低,不利于神经网络博弈水平的提升。信息集蒙特卡洛树搜索（Information Set Monte Carlo Tree Search,ISMCTS）是非完备信息博弈下的一种博弈树搜索算法,解决了传统博弈树搜索算法存在的策略融合、耗费计算资源等问题,但是其在博弈树搜索的扩展阶段和模拟阶段采用的是随机策略,需要进行大规模的搜索才能获得最优策略。针对上述问题,本文研究并提出了一种基于NFSP-ISMCTS的多人非完备信息机器博弈算法,算法中的博弈模型能够通过不断地进行自博弈和训练来提高自身的博弈水平。NFSP-ISMCTS算法把原本神经虚拟自博弈的强化学习部分的深度Q学习网络替换成信息集蒙特卡洛树搜索,并将强化学习的博弈树搜索和监督学习的神经网络相结合来进决策,用神经网络的输出策略代替博弈树搜索原本的随机策略,并限制博弈树的规模以提高树搜索效率,从而提高了自博弈过程中的决策水平,解决了上述神经虚拟自博弈和信息集蒙特卡洛树搜索存在的问题。为提高博弈树搜索的效率,本文使用改进的上限置信区间（Upper Confidence Bound,UCB）算法来平衡树节点的探索（Exploration）和利用（Exploitation）。为进一步提高自博弈过程中的决策水平,NFSP-ISMCTS算法的自博弈过程中采用完备信息博弈方式,将隐藏信息公开来进行博弈,则信息集蒙特卡洛树搜索无需对信息进行抽样,从而避免不必要的信息猜测和树搜索,使得搜索更有目的性。在模型训练阶段,只筛选出获胜玩家的博弈数据对神经网络进行训练,该方法不仅避免了神经网络学习到导致博弈失败的策略,加快了神经网络的博弈水平的提升,同时也避免了对博弈数据进行复杂的筛选。本文将NFSP-ISMCTS算法应用在二打一扑克上,优化了二打一扑克的神经网络模型,实现了相应的二打一扑克智能体,进行了对比实验来比较该智能体其它算法实现的二打一扑克智能体的博弈水平。实验表明,基于NFSP-ISMCTS算法实现的二打一扑克智能体在无需先验知识的情况下,能够通过自博弈来提升自身的博弈水平,且达到了一个较高的博弈水平,并具有合作意识。实验结果也表明了本文提出的NFSP-ISMCTS算法为构建多人非完备信息机器博弈下高博弈水平智能体提供了一种有效的方法。