在很多完备信息下机器博弈的问题如黑白棋、象棋、围棋等人工智能问题逐渐的被解决时,越来越多的人将目光转移到德州扑克、桥牌等非完备信息下的机器博弈问题中来。其中桥牌作为规则最复杂的牌类游戏之一,具有较高的研究价值。桥牌游戏分为叫牌和打牌两个过程,提出了一种解决桥牌游戏中叫牌问题的算法框架,该框架能够学习人类现有的叫牌体系并产生合理的叫牌决策,并针对该框架设计并实现了局面理解可视化系统,该系统可以将算法对局面的理解直观的展示出来。本文首先利用隐马尔科夫模型和深度神经网络,对桥牌叫牌过程进行了建模,构建桥牌体系模型。然后通过在某个体系下的人类牌局数据来训练体系模型,使得体系模型能够预测出该体系下下一 口叫品的概率分布,并且能够理解该体系下队友叫牌的含义,产生对局面理解的预测。算法框架能够在体系模型预测的局面理解之上进行高效的蒙特卡洛采样,并且在体系模型的指导下对采样质量进行评估和筛选,生成其余三位玩家的手牌采样,将非完备信息转化为完备信息,最终通过搜索算法来产生叫牌决策。在采样和搜索的过程中,体系模型的存在保证了采样和搜索在合理的范围内进行,使得最终的叫牌决策仍然受到叫牌体系的约束。让模型能够可视化展示自身对局面的理解同样十分重要。局面理解的可视化不仅能够对模型本身做出的决策做出一定的解释,还能对叫牌体系的研究起到帮助作用。本文设计和实现了将算法得到的局面理解进行可视化表达的系统,该系统可以有效地利用GPU和CPU计算资源运行深度学习模型和各种搜索算法,并且能够将局面理解直观地表示出来。针对桥牌叫牌质量难以评估的特点,本文对非实质性叫品和实质性叫品设计了不同的评估方法,并且构建了双明手分析模型来辅助衡量叫牌质量。最后,根据系统的最终效果,分析了可能存在的问题,并根据问题确定了未来的工作方向。