在关系型数据库中,存储了大量的结构化信息,这些信息是十分有价值的,但是对关系型数据库的访问却并不容易,它要求用户掌握如SQL这样的查询语言,而SQL语言的学习存在门槛。自然语言作为日常主要使用的信息表达方式,将它与数据库查询技术结合起来,使得非专业用户能够以一种更加简便的方法去查询自己需要的信息,具有良好的应用前景,自然语言查询的研究也逐渐成为研究热点。目前在自然语言查询技术领域的研究,存在以下问题:大多集中在英文领域;缺少目标数据库表的定位过程,与实际应用的需求不符;自然语言问题中涉及到多个条件列及条件值的时候,可能会存在值匹配错误。为了解决这些问题,提出了基于深度学习的端到端的自然语言查询定位转换模型（Locating and Transformation to Structured Query Language Model,LT-SQL）,将自然语言查询的过程分为两个步骤进行解决:1.目标数据库表定位;2.SQL关键字生成。具体地,在步骤1中,提出基于问题语义近邻向量思想的目标数据库表定位方法,找到自然语言问题在训练数据中最相近的邻居,并将邻居问题的数据库表作为当前自然语言问题的目标数据库表;在步骤2中将设置多个子任务分别解决不同位置的关键字,最终将所有子任务的结果结合并生成SQL语句。为了解决条件列与条件值匹配错误的问题,为数据库表表头的每个列都生成对应的条件,按照概率大小取出指定个数的条件作为SQL查询语句的WHERE子句。在两个中文自然语言查询数据集上进行了实验,实验整体上分为两部分:1.目标数据库表的定位,对比模型包括经典的分类模型和基于语义近邻的其他方案;2.SQL关键字生成,对比模型包括自然语言查询领域的经典模型和最新模型。实验结果显示,所提出的定位转换模型在真实业务数据上的表现优于其他模型,且将上述两个模块组合起来可以达到较高的自然语言查询准确率,达到了应用于实际系统中的标准。