近年来,随着人工智能技术的发展,人工智能技术已经在许多游戏领域取得了超越最顶级人类玩家水平的成绩。但是,其在星际争霸类即时战略类游戏中并没有取得令人满意的成绩。因为,星际争霸类游戏是由不完全信息博弈、巨大动作空间、实时性需求、长期规划和多智能体协作等多个问题构成的复杂性系统问题。目前,许多表现优异的星际争霸II智能体大都依赖于硬编码策略,几乎不能因对手所采取的策略的不同而做出适当的调整。本课题使用深度学习算法从顶级玩家的比赛游戏回放中学习玩家的生产策略,并将学习到的生产策略应用到现有的复杂智能体中,从而提高其竞争性。本文首先通过预处理、解析、提取游戏特征等流程从SC2LE(StarCraft II Learning Environment)提供的120多万场游戏回放中构造数据集。然后使用LSTM网络训练预测人族对抗人族、虫族和神族的下一步生产动作的网络模型,分别取得了80.19%、80.05%和79.58%的准确率。接着再将训练的预测人族对抗各种族下一步生产动作的网络模型集成到星际争霸II开源智能体——CommandCenter中,改进其原有的Production Manager模块和实现其未完成的BuildOrder Prediction模块,从而形成新的使用人族的智能体——newbot。最后,我们将newbot提交并参加专为星际争霸II AI举办的天梯赛——StarCraft 2 AI Ladder中,以测试其有效性。到StarCraft 2 AI Ladder第七赛季截至时,newbot在40个参赛智能体中取得了第8名的成绩。本文首先介绍了星际争霸II智能体的研究意义、背景、国内外研究现状以及论文的主要内容和论文章节安排;接下来详细介绍了基于SC2LE构建游戏特征数据集;然后介绍了预测人族对抗各种族下一步生产动作的算法;最后介绍将训练得到的模型集成到智能体中的方法和与其他智能体对抗的测试结果,并对论文工作进行了总结,对未来研究工作进行了展望。