随着技术的发展,声明式编程越来越受到重视。通过编写声明式代码,编程人员可以将精力聚焦于逻辑控制,无需以算法指明每步具体执行步骤。但是,对于非编程人员而言,编写代码并非易事,编程工作依托大量专业知识。因此,自然语言合成代码成为研究热点。其中,SQL查询代码作为典型的声明式代码类型之一,被学术界深入研究。本文将声明式代码生成工作聚焦于Text2SQL任务,提出基于模板和规则的方法以实现自然语言到SQL查询语句的合成。本文主要工作有:（1）以往解决Text2SQL任务的深度学习模型未充分运用数据库内容,未考虑表字段取值涉及的实体类型对模型准确率的影响,且未充分利用数据库先验知识。为此,本文提出基于模板和规则的深度学习方法TRSQL,通过数据库内容和表字段取值涉及的实体类型对表征模型进行了改进。TRSQL首先生成自然语言序列对应的草图模板,再利用草图模板和生成规则约束SQL查询语句生成。在权威的公开数据集Wiki SQL上对TRSQL方法进行了评测,并与诸如Hydra Net、X-SQL、Sea D等方法进行了对比。与具备相同预测任务的Coarse2Fine模型相比,准确率提升了近11%;（2）以往基于NLP技术解决Text2SQL任务的方案只是简单运用了分词、词性分析等技术,提出的方法均未在权威、大规模数据集上进行验证,可解释性差且泛化能力不足。为弥补以往方案的不足,本文提出基于模板和规则的NLP方法——nTRSQL。nTRSQL在前人方案基础上增加多种解析模板和解析规则,融合了提出的投票选举机制和染色树技术。实验结果表明,nTRSQL方法在适用条件下的Text2SQL逻辑准确率可高达90.3%;（3）提出两种方案将nTRSQL和TRSQL方法相结合,共同实现英文自然语句到SQL查询代码的合成。一是基于Drools规则引擎实现,二是改进基于BERT的传统分类器,解决nTRSQL、TRSQL的选用问题;（4）基于nTRSQL、TRSQL结合后的方法,构建一套数据库自然语言查询系统,为用户提供了可通过自然语句对数据库进行检索的交互接口。