近二十年来，人们逐渐认识到脑功能成像在认知过程中的科学意义及关于神经学方面的研究前景。脑神经成像技术是一项有研究潜力的技术，它可以确定与人类记忆和抽象思维相关的脑区域和人脑疾病的原因。汉语认知数据库是根据当前脑科学研究需要而建立的数据管理系统，它为从事神经科学研究的团体提供共享的神经成像数据。在汉语认知数据库中，需要对大数据量进行复杂查询，一个查询的执行通常需要很长时间，这显然不能满足用户需求，为了提高系统响应时间，必须给出有效的查询优化策略。数据库查询优化理论与技术主要包括数据库统计概貌、多连接查询优化、分组运算的分布算法、聚集函数的并行与分布运算等算法。 本文首先给出了汉语认知数据库的体系结构，并分析了数据库建立过程中的异构数据库模式处理和数据挖掘等问题。其次，本文针对汉语认知数据库的查询优化问题进行了深入地分析。对于数据库查询优化中的统计概貌问题，本文把统计概貌的基础理论应用到汉语认知数据库系统中，有效地解决了数据采集问题。在数据爆炸式增长的情况下，数据库系统经常需要处理大量多表连接查询问题，伴随着查询策略搜索空间的激增，查询处理器的执行效率快速下降，无法在短时间内找出最优策略，所以查询优化利用启发式规则和随机搜索算法来提高查询优化的速度。本文在已有工作基础上，给出了一种改进的最优保存遗产算法，分析了算法收敛速度和收敛性，试验结果表明该算法在解决大规模查询优化问题时具有较高的搜索速度。汉语认知数据库的另一个主要问题就是聚集运算，文本在深入分析数据仓库结构特点的基础上，结合传统聚集运算算法，设计了两种分别用于数据仓库和分布式数据仓库的聚集运算算法，有效地解决了数据仓库中的聚集运算问题，降低系统执行代价，提高了运行效率。 本文给出的数据库查询优化策略具有普遍的研究意义和应用价值，可以应用到其他的数据库应用领域中。