计算机游戏博弈中设定高水平智能体玩家来与人类玩家进行博弈也是其中的精髓所在,这也使智能体行为决策方法成为重点研究方向。但随着由传统博弈到非对称博弈的复杂演变,传统方法的泛化性差和人工干预性强导致智能体的决策水平程度很低。使用深度强化学习自主制定决策的方式让在智能体的动作状态信息、奖励函数与特定算法的共同作用下,通过训练神经网络让智能体具有较强的决策能力。为了让智能体在非对称博弈中拥有自主制定行为决策能力,本文构建了一种全新的非对称博弈环境,并且提出了两种智能体行为决策方法,最后让双方智能体在非对称博弈环境中实现对抗与合作。本文主要工作如下:1、通过分析博弈关系与类似博弈的设定,本文结合生活中多个警察抓小偷的博弈模型,自主设计并建立一个全新的非对称博弈规则和环境。为了增加智能体的决策难度,建立了稀疏奖励的三维博弈场景,并在场景中设置了各类元素包括动态元素,为博弈加入动态扰动,并且加大探索难度。同时为博弈设计了一种自定义博弈框架,该框架可以让单智能体方与多智能体方进行博弈。2、本文针对小偷智能体行为决策,提出了一种结合LSTM网络的RND-PPO的智能体决策方法。方法中使用触发奖励和持续奖励结合的奖励函数,告知智能体规则与并且增加训练效率。建立契合规则的动作和状态空间让智能体拥有观测和行动能力。同时本文对使用RND-PPO算法进行改进。经验储存池中的历史信息组合输入到长短时记忆网络,对未来的状态和外部奖励进行预测,融合内外奖励和预测外部奖励的混合优势函数训练价值网络和策略网络,增强外部奖励函数的引导以应对使用内部奖励造成的策略丢失。针对警察智能体行为决策,本文提出一种基于多智能体深度确定性策略梯度（MADDPG）的多智能体决策方法。方法中使用团队共享奖励函数,配合用MADDPG的中心化学习去中心化执行框架,让多个智能体统一任务目标并拥有合作决策的能力。3、本文构建的对比实验验证了本文算法对小偷智能体决策的有效性和优越性。结合自定义博弈框架构建了博弈实验,验证了结合本文两种方法的双方智能体都具有了制定复杂行为决策的能力,并且在博弈中很好的完成了各自目标。