随着深层网络中信息数量的迅速增长，研究者们对其所蕴含的信息进行学术研究已经逐渐成为一项热门的工作。由于深层网络中中有价值的数据大部分隐藏在查询接口之后，同时这些数据具有异构性、自治性等特点，这使得对这一问题的研究遇到了很大的挑战。为了更好的对DeepWeb数据信息进行合理应用，需要对深层网络中的数据进行集成处理，实现在深层网络中高效快捷地满足用户检索高价值数据的目的。在深层网络中数据集成系统中查询优化的处理工作是其重要组成部分，在集成系统中有着重要的地位。深层网络查询优化的目的是将查询规划模块输出的多种可行查询方案作为输入，针对这些可行的查询方案提出行之有效的优化方法，实现从多种可行方案中选择TOP-1或TOP-K种最优方案，以实现最优方案选择的目的。目前基于深层网络查询优化方法的研究正处于起步阶段，现有的方法大多是针对单独查询方案的优化处理。本文针对多种查询方案进行优化选择，提出了智能缓存优化方法和方案代价评估方法。智能缓存中存储了历史的方案查询结果、数据源查询结果和数据源特征信息。利用这些信息可以对优化工作进行预处理，如果预处理成功则可以直接返回结果完成优化工作；否则，采用方案代价评估方法进行代价评估。方案代价评估采用分支界限轮廓查询算法(BBS)来实现，利用主成分分析方法构建出三维空间主成分参数，以作为衡量方案的查询质量和查询代价的标准；其中三维空间主成分参数由方案查询结果记录数量、方案查询准确性和方案查询响应时间来获得。通过三维空间主成分参数的判断以及BBS算法的处理，实现了将多种方案进行优化排序的目的，从而为查询执行工作提供了TOP-K种最优的查询方案。通过对优化模型进行编程实现，很好的完成了系统设计的目标，实现结果和性能达到的预期要求。通过与朴素方法进行对比，论证了优化方法在TOP-K方案排序的正确率，同时在方案的召回率、准确率、响应比上都较朴素方法有极大的改善，这表明了该方法具有良好的优化性能。