随着互联网技术的发展与普及,网络上的信息爆炸式地增长。与日俱增的信息在丰富了网络上信息量的同时,也加大了人们从互联网获取目标信息的难度。智能问答系统作为一种新型的信息服务方式,能够理解自然语言问题并回答,可以更方便、直接地帮用户获取信息。表格具有数据量丰富和结构明确的特点,在网络技术发展的过程中成为了主流的数据载体。为了方便用户从表格中获取信息,表格智能问答——即以表格作为智能问答的答案来源,成为了自然语言处理领域的热门研究方向之一。将表格存储在关系型数据库中是一种低成本、易维护的存储方式,且其他形式的表格如excel也易于转化为关系型数据库中的表格,故对表格智能问答的研究一般基于关系型数据库展开。关系型数据库中的表格可以通过SQL（Structured Query Language）语句高效查询,因此本文研究的针对单表的智能问答可以转化为语义解析任务,即NL2SQL（Natural Language to SQL）任务,将生成的SQL语句的执行结果封装后即得到问题的答案。故表格智能问答算法研究可转化为对NL2SQL算法模型的研究。本文主要工作包括:1.参考SQLNet通过SQL标签映射到SQL语句的方法,定义了一系列标签分别用以预测SQL结构的局部,局部结果拼接即可得到完整的SQL语句。其中,本文特别提出了一个用以表示表格中某一字段在WHERE条件中出现次数的标签,以字段为单位细化了计算WHERE条件数量的粒度,解决了传统模型难以解决的条件字段复用问题。本文使用两个子模型来预测定义的标签,分别是多任务学习模型和条件补齐模型。2.多任务学习模型结合SQL语句的语法规则对标签的预测结果进行修正,即根据WHERE条件的数量对条件间的逻辑连接符进行修正。3.设置BERT输入处理方式、预训练模型选择以及超参数选择实验对多任务学习模型和条件补齐模型进行调整,对于条件补齐模型额外设置了不同候选条件生成方法的实验。最后将本文的NL2SQL模型与其他NL2SQL模型对比,证明本文的NL2SQL模型提升了SQL生成的准确率。4.设计并实现了上市公司违规问答系统。为了使人们能够更方便直接地了解上市公司违规的相关情况,本文基于NL2SQL模型设计并实现了上市公司违规问答系统。其中,为了使模型能够更适应上市公司违规领域的相关问题,采用人工标注和EDA数据增强相结合的方法构建违规领域问答数据,并且在新的数据集上对模型进行更新。