博弈论(Game theory)是研究竞争条件下决策分析的科学。它研究的典型问题是若干个利益冲突者在同一环境中进行决策以求自己的利益得到满足。近年来,博弈理论模型已经在计算机科学和人工智能领域产生了深远的影响。尤其是在多Agents领域,很多学者作出了大量工作,其方向主要集中在:博弈模型研究、博弈算法研究等。行为图博弈模型是一种新型的博弈模型。它涵盖已有的结构化博弈模型,图型博弈,阻塞博弈和局部效用博弈。求解Nash均衡是行为图博弈模型的核心问题。本文重点研究行为图博弈模型上从效用函数到Nash均衡求解的相关问题。首先,在本文中我们详细分析了博弈中Agent的有关问题,简要介绍了规范型博弈,具有结构化博弈模型的图型博弈,以及阻塞博弈和局部效用博弈。并且分析了当前一些学者们提出的算法。然后着重考察了行为图博弈,在行为图博弈中求解期望收益是通过动态规划来完成的,分析了如何在行为图博弈中求期望收益。我们把连续方法应用到行为图博弈中,我们不仅给出如何在行为图博弈中进行扰动操作、回溯、效用雅克比的计算及其消除累积错误,而且,更新混合策略剖面将其应用到下一次迭代中。紧接着分析了如何在行为图博弈中求解Nash均衡。我们用基GameTracer的规范型博弈求解期望收益,和本算法进行比较。用动态规划求行为图博弈的存储数目,给出了一个五乘五的博弈来进行实验。证明行为图博弈成多项式增长,而规范型博弈成指数增长。其次,我们通过两个实验来验证本算法的有效性,通过固定行、改变列以及固定列、改变行来进行实验。最后,运用IPA作为快速启动,利用全局牛顿算法求解Nash均衡的CPU利用时间。实验结果表明本文算法是令人满意的。