计算机围棋博弈是人工智能研究的重要方向，其庞大的空间复杂度给研究者带来了巨大挑战。目前最优秀的围棋程序还处于业余低段水平，围棋是检验人工智能发展水平的良好环境，所以计算机围棋研究具有重要的理论意义和实用价值。在传统计算机围棋时代，围棋程序主要采用专家系统，其方法包括基于专家知识的模式识别和基于影响函数的静态评估。近年来，蒙特卡罗方法和UCT算法被广泛应用在计算机围棋博弈系统中，UCT算法的出现开创了现代计算机围棋时代。本文以九路围棋博弈为背景，深入研究和分析了计算机围棋博弈的原理与方法，对围棋定式的编码方法和UCT算法的改进优化进行了有益的尝试。在围棋布局阶段，有效的方法是通过模式识别进行定式的匹配以指导落子。在总结目前计算机围棋中普遍应用的模式方法优缺点的基础上，本文设计并实现了EHPEM模式编码方法，该方法基于改进的Huffman编码进行设计，它使用4个32位整数对整个棋盘进行编码，其优点是编码唯一无冲突，模式匹配高效准确。进入围棋中盘阶段后，变化非常复杂，很难进行精确的局面评估。基于蒙特卡罗评估的UCT算法擅长中盘战斗，也擅长收官。本文将UCT算法应用到围棋中盘阶段，针对UCT算法进行改进优化，一是对UCT算法可选落子点的排序和扩展进行改进；二是对UCT算法进行并行优化处理，分别应用了多核CPU和基于MPI的多处理机进行并行计算。实验结果表明了并行计算加快了博弈树搜索速度，提高了棋力，验证了算法的可行性。本文最后采用C/C++语言实现了九路计算机围棋系统Doubleminggo，该系统有效地结合了传统模式识别方法和现代UCT算法，具有较高的人工智能，达到了预期效果。