游戏为人工智能（AI）算法提供了一种有用的研究和测试平台。利用深度学习算法对游戏中玩家获胜者的预测是AI规划的重要组成部分。实时战略（RTS）游戏是一类流行的实时战斗模拟游戏,由于巨大的状态空间,有限的决策时间和动态的对抗环境,RTS游戏为利用深度学习算法对游戏中玩家进行获胜者预测提供了理想的环境。游戏（特别是RTS类游戏）以及游戏玩家获胜者预测在军事作战仿真系统设计中有实际的应用。本文对RTS类游戏模拟器μRTS中具有不同搜索策略的RTS游戏AI机器人比赛生成的重放数据集和StarCraft Ⅱ的强化学习环境SC2LE提供的由匿名游戏玩家比赛生成的重放数据集设计编码方法。首先详细介绍了μRTS中的三组AI机器人的选择方法、重放数据集的生成方法,数据采样方法,利用独热编码对采样点的状态信息和动作信息的编码方法。详细介绍了对StarCraft Ⅱ的重放数据集进行预处理,然后分组成三种种族可进行的六种作战组合的过程,以及对每条预处理后的重放数据,运用PySC2解析出所有时间点下的动作信息和观测信息,从中筛选出有效时间点集合,提取出每个有效时间点下的空间特征并编码的过程。通过编码方法分别生成编码数据集。对RTS类游戏重放数据集利用设计的编码方法生成的编码数据集通过卷积神经网络（CNN）、多尺寸卷积神经网络（MSCNN）、条件神经过程（CNP）、长短期记忆（LSTM）和贝叶斯神经网络（BNN）对游戏玩家的获胜者进行预测。通过计算预测准确率、画出ROC曲线并计算相应的AUC值,以验证设计方法的预测性能,并对预测结果进行详细分析。实验结果显示,μRTS中的RTS游戏AI机器人生成的编码数据集使用五种深度学习算法进行获胜者预测的准确率约为0.8;StarCraft Ⅱ中匿名游戏玩家生成的编码数据集使用五种深度学习算法进行获胜者预测的准确率最高达到0.8。实验结果表明,利用设计的编码方法和深度学习算法,对RTS游戏玩家的获胜者预测是可行的,并具有较高的预测性能。本文研究结果说明RTS类游戏为研究AI模拟人类决策、探索搜索算法、数据分析、状态评估和宏观管理等提供了一种具体的适用平台。