关系型数据库中存储了大量数据,是信息系统的基础和核心。用户可以使用SQL语句来检索数据库中的数据,但这通常对用户的SQL掌握水平有一定要求。为降低用户的学习成本,提高其使用效率和体验,面向关系型数据库的自然语言查询技术应运而生。它允许用户通过自然语言的方式直接与数据库交互从而获取到所需数据,其核心是将自然语言解析成SQL语句（NL2SQL）。然而,目前的NL2SQL模型仍存在如下两点挑战,包括1)问句中存在语义不足的问题;2)数据集信息未被充分利用。本文针对上述挑战展开了以下研究:（1）针对问句中存在语义不足的问题,本文提出了基于知识增强的NL2SQL方法,通过知识图谱来补充自然语言问句中命名实体的背景知识。具体来说,该模型首先使用实体链接技术将问句中的命名实体链接到外部知识图谱上,然后通过引入问句中命名实体在外部知识图谱的四类知识（摘要、类型、标签和语义关系）,来增强NL2SQL模型对于问句的理解能力,进而提高解析效果。本文提出了一种基于符号化和两种基于向量化（文本向量化和图谱向量化）的知识增强方案,并系统地论证了引入不同知识的效果及不同增强方式的优劣。（2）针对数据集信息未被充分利用的问题,本文提出基于两阶段课程学习（预习+上课）的NL2SQL方法来使用数据中的信息来指导模型训练。具体来说,预习阶段的目标是训练NL2SQL模型的编码器,为了使其能学习到问句和表格的一致性编码,额外考虑了数据集中问句和表格的对应关系,设计了一个意图（表格）识别的新任务。上课阶段的目标是训练NL2SQL模型,为使其能找到更好的局部最优点,额外考虑了数据集中数据的难度差异,设计了一个模型无关的从简单到困难的课程框架。（3）在Wiki SQL数据集上进行实验。对于基于知识增强的NL2SQL方法,本文分别比较了知识图谱中四类不同的知识在一种符号化和两种向量化的知识增强方法上的效果。实验结果表明使用这四类知识进行符号化和向量化的增强均可以提升模型表现,其中使用类型和语义关系知识进行文本向量化增强的效果最好。对于基于两阶段课程学习的NL2SQL方法,本文分别比较了使用两个阶段以及联合来训练NL2SQL模型的效果。实验结果表明两个阶段都必不可少,预习阶段为NL2SQL模型提供了学到问句和表格一致性表示的编码器,上课阶段为NL2SQL模型提供了更好的训练框架。