博弈问题存在于人们生活的各个方面,根据参与者对博弈信息掌握程度的不同,可以把博弈问题分为完备信息博弈和非完备信息博弈两类。在现实生活中,人们往往很难获取到所有的博弈信息,因此很多博弈问题,比如商业谈判、广告定价、军事推演、网络安全等都可以归结为非完备信息博弈。随着人工智能相关技术的不断发展,利用人工智能技术来解决非完备信息博弈已经成为了当前的研究热点,具有十分重要的现实意义。本文主要研究关于麻将的机器博弈问题。在麻将游戏中,对手的手牌信息以及牌库中的信息对于每位参与者来说都是不可见的,因此麻将游戏是典型的非完备信息博弈问题。以往的麻将程序主要是通过Expectimax搜索算法来进行设计的。目前关于Expectimax搜索算法的研究主要集中在两个方面。一方面是研究如何合理地对搜索树的分支进行剪枝,另一方面是研究如何设计合理的估值函数。然而,在麻将博弈问题上,目前Expectimax搜索算法的剪枝策略与估值函数的设计还依赖于人工先验知识,而没有结合强化学习等算法来进行改进。为了解决这个问题,本文提出了一种结合Double DQN与Expectimax搜索的非完备信息博弈算法。该算法使用强化学习模型Double DQN来改进Expectimax搜索算法的剪枝策略和估值函数。具体来说,在Expectimax搜索树扩展过程中,本文依靠Double DQN神经网络输出的估值来设计搜索树的剪枝策略和估值函数。而在Double DQN模型训练的过程中,本文通过Expectimax搜索来改进模型的探索策略与奖励函数。最后本论文将改进后的算法应用到非完备信息机器博弈中,实现了麻将智能决策系统。与传统的Expectimax算法构建的麻将程序相比,本论文实现的麻将智能决策系统在胜率上高出2.26%,而在得分上平均每局得分高出185.097分,从而达到了更高的博弈水平。