近年来,计算机软硬件和互联网迅猛发展,相关学科也在不断进步。人工智能是长期以来的热点话题,而计算机博弈是它的一个受到广泛关注的研究方向。作为最复杂的博弈项目之一,具有挑战性的围棋能够充分检验人工智能的发展水平,因此计算机围棋博弈的研究在计算机博弈、人工智能乃至计算机科学领域占有重要的地位。由于围棋知识规则不便归纳,搜索空间过于巨大,传统计算机博弈的理论和方法目前均难以适用。近些年,在计算机性能大幅度提高的基础上,计算机围棋博弈采用蒙特卡洛方法进行动态评估,并引入了上限信心界应用树算法,搜索的效率和评估的性能均得到了很大提升,计算机围棋博弈程序的水平不断提高。同时,这种聚类智能的计算方法不仅适用于围棋,还适用于规划决策类问题等其他许多问题,因此计算机围棋博弈方面的研究成果有着重要的现实意义,可以有更广阔的用武之地。由蒙特卡洛方法和上限信心界应用树算法构成的蒙特卡洛树搜索是当今高水平计算机围棋程序普遍采用的较优方法,但其仍有可完善之处。本文立足于蒙特卡洛树搜索的思想和特点,针对蒙特卡洛方法和上限信心界应用树算法存在的不足,提出了绝对剪枝策略和渐进展开策略两大改进措施,并从理论上证明了改进的必要性和正确性。而后,本文选用了采用蒙特卡洛树搜索的棋力很强的开源围棋程序Fuego作为改进试验程序,通过GoGui平台使其改进前和改进后分别与另一高水平程序Pachi对弈,根据对局的用时和胜负进行验证和分析。实验结果表明,Fuego在用时略有下降的情况下胜率有所提高,这说明改进方案切实有效,具备一定的实用价值。