长期以来,博弈问题都是人工智能研究者的关注重点。随着人工智能技术的快速发展,很多完备信息博弈问题（例如围棋、国际象棋等）通过博弈树搜索技术已经取得卓越的成果。目前,非完备信息博弈问题也成为了博弈研究的关注对象。与完备信息博弈不同,非完备信息博弈的参与者无法观察到全部的状态信息,单纯的博弈树在拓展过程中存在大量不确定因素难以进行下去,所以非完备信息博弈问题单靠搜索技术不能得到很好的解决,参与者需要针对对手的隐藏信息进行有效的预测。因此,对手建模成为了解决非完备信息博弈的不可观测信息问题的重要方法。对手建模的作用是通过可观察到的对手信息对不可知的信息进行预测,将对手建模对未知信息的预测与非完备信息博弈树搜索等技术相结合,得出对自己收益最大的决策。本文基于麻将博弈问题,描述了一种利用深度学习技术和监督学习理论构建麻将对手信息预测的网络模型,并用于两个重要的对手隐藏信息预测任务中,分别是危险牌（可被对手吃碰的牌）预测和对手手牌分布估计。具体的研究工作如下:1.设计了一种高效的状态编码方法来完整地描述当前及历史状态信息。对整个博弈过程的对战信息进行特征抽取,形成牌面信息特征、对手动作特征和其他特征,并将其编码成多通道的张量,作为网络模型的输入。这种不依靠麻将领域知识进行信息压缩的状态空间编码方式简单易操作,完全不需要传统特征工程中繁杂的特征组合,而且十分适合卷积神经网络进行表征学习。2.提出了一种CNN+LSTM和注意力机制的网络架构进行麻将博弈的对手建模。将博弈数据进行高效特征编码,利用CNN的空间表征能力学习牌面信息的语义关系,利用LSTM结构结合注意力机制学习对手的历史动作与隐藏信息的内在联系。然后构建危险牌（能被对手吃碰的牌）预测模型和对手手牌分布估计模型。将危险牌预测任务理解成多标签分类问题,采用Focal Loss损失函数解决标签分布不平衡问题,并使用F1值和AUC值评估预测效果。对手手牌分布估计任务的目标是得到麻将的每种牌在对手手牌中的数量占比（其结果是和为1的34维向量）,采用麻将领域知识加入先验特征提升预测性能,并使用MSE和KL散度作为模型的损失函数进行效果对比。最后,通过对比实验表明,本文提出网络模型在相同测试集上的预测效果高于其他对手信息预测模型。3.将这两个对手预测任务的结果集成到博弈树中,辅助麻将AI程序进行出牌决策。实验表明,集成了本文提出的对手模型的博弈树决策程序在胜率和喂牌率上的效果都好于无对手模型的决策程序和其他对手模型的决策程序。