自人工智能概念出现至今,人类从未停下对机器博弈探索的脚步。机器博弈依据其对于博弈局面信息了解的程度,可分为完备信息博弈和非完备信息博弈。如围棋,国际象棋这类博弈竞技项目为完备信息博弈,麻将,桥牌这一类博弈竞技项目为非完备信息博弈。本文立足于非完备信息计算机博弈问题,提出利用深度学习实现非完备信息博弈局面信息自动获取,旨在自动获取博弈场景的局面信息,并上传给非完备信息博弈智能决策系统,从而使得机器人能够完全自主的完成博弈。主要完成的研究工作包括以下几个部分:1.设计了基于模板的非完备信息博弈局面信息自动获取方法。针对指定的非完备信息博弈竞技平台,测量其分布区域,通过灰度化,二值化,形态学处理以及Canny算子边缘检测这些传统图像处理方法对局面实例进行分割,再结合卷积神经网络,对博弈中的手牌信息进行识别,通过平台模板与传统图像处理方法以及深度学习方法结合的模板方式实现非完备信息博弈局面信息的抽取。在实现的过程中,构建了17000余张图像的手牌识别数据集。实验结果表明,基于模板的方法能够对指定平台实现精确的局面信息抽取。为了使本方法适应不同的平台,提出了参数化的模板分割方法,方法将某局面实例分割时确定的参数,抽取为具有泛化特征的分割参数集,构成了一套统一的分割框架。2.设计了基于深度学习的非完备信息博弈局面信息自动获取方法。本方法应用了何恺明团队设计的Mask R-CNN,通过Res Net101和特征金字塔网络对博弈局面图像进行特征提取,再利用区域特征提取网络对手牌区域进行目标识别,最后再通过神经网络得到语义分割结果从而完成实例分割,实现以端到端的方式进行图像实例分割,在保证性能的同时,解决了模板方法处理过程繁琐的弊端。在设计与实现过程中,构建了非完备信息博弈局面信息数据集,数据集中详细标注了各平台1000张真实博弈局面。实验结果表明,基于深度学习的方法准确度虽略差于基于模板方法,但其依旧处于可使用范围,就整体来看,基于深度学习方法优于基于模板的方法。3.设计了基于深度学习的非完备信息博弈局面信息自动获取系统。本系统以基于Android的应用为前端,以基于python语言开发的FLASK框架的服务器为后端。应用以悬浮球的形式悬浮在博弈场景中,使用者通过点击悬浮球截取当前场景信息并上传到服务器,由深度学习模型进行信息抽取。系统的主要目的是将博弈者的博弈局面信息从局面图像中抽取出来,为非完备信息博弈智能决策提供完整的博弈局面信息。