国内流行的三人棋牌类游戏“斗地主”是典型的不完备信息博弈,既有两个农民角色与地主角色之间的对抗,也有两个农民角色之间的合作。随着人工智能技术在大规模棋牌类游戏中取得的重要进展,例如Alpha Go和Libratus分别在围棋和一对一无限注德州扑克游戏上取得了超越当前人类职业玩家的能力,“斗地主”棋牌类游戏也引起了人工智能研究人员的广泛兴趣。蒙特卡洛树搜索通过抽样方法解决大规模搜索问题近似解,是Alpha Go Zero的重要组成部分。本文采用蒙特卡洛树搜索结合“斗地主”博弈特点及卷积神经网络技术,探索研究“斗地主”博弈的出牌策略。具体工作如下:1.提出基于手牌拆分的蒙特卡洛树搜索算法(MCTSHS)。统计表明,按照博弈规则将手牌拆分成不超过最小拆分数加3的牌集时,人类玩家在实际博弈中选择的牌型以超过99%的概率包含于该牌集。因此,在此基础上提出了手牌拆分算法对博弈树进行剪枝,以提高搜索效率。实验结果表明,MCTSHS算法在不依赖人类数据的情况下,能做出较好的出牌决策。2.提出结合卷积神经网络的蒙特卡洛树搜索算法(MCM)。首先,针对MCTSHS存在决策时间过长且不能充分利用已学习策略的问题,提出使用卷积神经网络学习MCTSHS的历史决策数据,实现状态和可能的决策到该决策收益的映射,再选择收益最大的决策作为实际决策,进而大幅缩减决策时间;其次,针对卷积神经网络学习中存在的误差以及因实验预设条件限制而导致MCTSHS算法搜索决策结果不佳的问题,提出使用蒙特卡洛树搜索算法改善卷积神经网络的输出结果,并根据改善后的结果做出最终决策。实验结果表明,MCM算法在胜率上明显优于目前的主流“斗地主”策略。