自然语言处理是近年来人工智能领域中发展速度最快的研究方向之一。通过使用自然语言与数据库进行人机交互查询数据,既能节省用户学习专业知识的成本,也能提升查询数据的效率。因此,自然语言查询生成SQL语句,简称NL2SQL任务的自然语言处理技术,尤其是中文NL2SQL具有重要的研究价值。如何从语法和语义层面准确地理解自然语言,以及如何消除自然语言查询,数据库中的数据表结构及内容和SQL语句三者之间在表达和结构上的差距,是NL2SQL任务中面临的主要挑战。现有针对NL2SQL任务的模型都主要面向英文文本,并且无法解决中文文本数据中存在的列名复用、自然语言查询中的描述和数据库存储的数据表述不一致等问题。本文以中文NL2SQL任务为研究对象,针对单表和其扩展的多表查询场景,从提升生成SQL语句的准确率角度出发,构建了多个深度学习模型来实现自然语言查询到SQL语句的转化。本文的主要工作与贡献包括:(1)提出了结合预训练模型和深度学习分类模型的面向中文NL2SQL任务的完整流程和方法。该方法充分利用最新的预训练模型在处理文本时的特征表达能力,并通过微调(fine-tuning)的方式在各子任务上构建相应的深度学习分类模型。(2)在单表查询场景下,提出了通用分类模型与条件值获取模型来生成SQL语句。通用分类模型在对SQL语句中的列名预测时,改善了列名复用的问题;条件值获取模型在对SQL语句中的条件值预测时,区分了文本和数值类型的列值,改善了自然语言查询的描述与数据库中存储的数据表述不一致问题。通过对比实验证明该方法从列名、条件值预测等多方面提升了SQL语句生成的准确率。(3)在多表查询场景下,提出了将中文NL2SQL任务分解为SQL子句生成与JOIN路径生成两个子任务。在SQL子句生成中,提出了两种解决方案,两种方案都借鉴了单表查询场景下的思路,是对单表查询场景模型适用场景的一个扩展;在JOIN路径生成中,提出了将其建模为斯坦纳树的生成问题,并采用了一种全局最优化的算法来解决该问题。通过实验证明该方法能有效地从单表查询场景扩展到多表查询场景,完成多表SQL语句的生成。