计算机博弈是人工智能领域里的热点研究课题。传统计算机博弈模型使用极大极小搜索与评估函数相结合的方式,棋力高低依赖于搜索的深度。在计算性能较低的平台上搜索深度加深会延长行棋的反应时间。本文提出了一种应用不平衡学习技术使用专家谱训练分类器的机器博弈解决方案。它使用分类器模型对中国象棋的策略进行建模,将每一步行棋时所有可行的招法看作是分类器的输入,而分类器的输出则是对不同招法的评判。在行棋时选择其中评判较高的招法。因此该模型的反应速度较快,只相当于传统博弈树一层搜索的时间。分类器博弈模型中所使用的分类器通过机器学习的方法获得。在训练分类器时,首先从专家棋谱中抽取训练数据并制定类标。通过对训练数据的分布进行分析,发现该数据集是类别不平衡的。因此,在训练分类器时使用了不平衡学习的理论和技术。这种技术的引入使得分类器模型有了更强的学习能力,而且对于不同的局面可以单独训练分类器,增强了系统的灵活性。在本文的实验中采用了在中国象棋评估函数中常用的神经网络模型作为分类器,并使用了三种经典的不平衡学习方法对其进行训练。由神经网络在实验中的分类精度以及整个系统在对弈中的胜负情况可以表明,使用分类器模拟中国象棋策略是可行的,并且不平衡学习在整个系统的训练过程中起到了关键的作用。