在大数据时代,数据库的查询功能日益得到重视,对大规模数据集进行查询和分析成为了数据库必备的功能之一。聚合函数和窗口函数作为数据库重要的功能存在已达数十年之久,并且随着数据分析需求不断增长,聚合函数和窗口函数的应用日益广泛。聚合函数可以处理较为简单的分析型需求,而窗口函数更是可以借助其简洁却表达能力强的语法处理更为复杂的查询。然而,随着数据规模的不断增大,聚合函数和窗口函数在传统数据库中的实现已无法满足数据分析实时性的要求。针对这一问题,目前已有许多工作摒弃了传统基于精确查询的方法,转而使用近似计算来处理聚合函数和窗口函数,尽管牺牲了一定的精度,但是非常有效地减少了查询响应时间。然而目前这些工作仍存在诸多缺陷,如查询响应时间提升有限、支持的查询种类较少、存储空间开销较大等。因而,本文针对这些缺陷,为窗口函数和聚合函数分别提出了基于机器学习的近似查询框架:WFApprox和DeepAQP。WFApprox利用密度估计器和回归模型,为多个窗口函数和窗口函数语法提供了高效的近似查询支持;DeepAQP则使用深度学习模型Masked Autoencoder（缩写为MADE）建模数据库表的数据分布,并利用该模型提供高效的聚合函数近似查询。本文主要工作包括如下几个方面:窗口函数近似查询处理传统窗口函数的处理过程会产生大量的磁盘I/O,导致其在大规模数据集上的分析效率较低。本方法利用密度估计器学习数据库表中列的分布情况,并利用回归模型处理列之间的映射,借以高效地处理多种窗口函数查询。实验表明,本方法与对比方法在查询误差接近的情况下在不同数据集规模下取得了最低约2倍、最高约100倍查询响应时间提升。分布感知的模型积分技术在DeepAQP框架中,在完成MADE训练之后,为了从MADE中高效地获取经由谓词筛选后的数据分布情况,本文提出了高效的模型积分技术。利用MADE本身的分布感知能力,将积分过程中的采样点集中于概率密度集中的区域,从而降低采样成本且提升采样精度,进而利用采样结果近似表示分布情况。聚合函数近似查询处理已有聚合函数近似处理的工作或是基于采样的方法,或是基于机器学习模型。然而基于采样的方法在存储空间开销和查询响应时间的提升上仍有提升空间,基于机器学习的方法则支持的查询种类有限。本方法借助MADE精确地建模数据库表的分布情况,并利用分布感知的模型积分技术在查询到来时快速计算对应的数据分布,并利用该数据分布高效地近似处理多谓词查询。此外,针对多表连接查询,本方法利用高效的采样方法获取样本响应查询,随后基于该样本训练MADE以响应后续相同连接模式的查询。实验表明,本方法与对比方法的查询误差在不同谓词条件下各有优劣,总体较为接近,但是却在查询响应时间上有最低10倍的提升,并且在存储空间占用上同样相比对照方法节约了10倍以上。