自然语言到SQL语句翻译任务是自然语言处理领域的重要子任务之一,旨在将人类的自然语言自动转化为相应的SQL语句。随着数据时代的迅速发展,大量结构化数据得以在网络上不断积累并存储在数据库中,如何让用户无障碍地使用这些结构化数据是一个值得探究的课题,对改善用户与数据库之间的交互方式有很大意义,也是对未来人机交互和代码自动生成的探索。得益于深度学习技术的发展以及大规模人工标注数据集的推出,近年来自然语言到SQL语句翻译任务的热度不断上升。很多研究将其视为和机器翻译类似的序列到序列问题,但是SQL语句特有的结构化特点又使得它与机器翻译有所不同。本文以深度神经网络结构为基础,开展了设计针对SQL特点的语法解析器、强化学习在该任务上的应用以及基于生成对抗网络的模型框架等多方面研究。本文的主要研究工作如下:首先,对基本任务模型进行分析与探索。介绍了自然语言到SQL语句翻译任务的背景和定义,引入说明本课题中涉及的相关技术。然后研究基于各种神经网络的模型构建方法,并对经典模型进行具体实验,分析各相关技术的作用,为后文模型的改进与分析奠定基础。提出现有研究的不足之处和需要解决的问题。然后本文提出基于SQL语法解析器的自然语言到SQL语句翻译模型Pnt-G+Grammar。不同于以往模型止步于将SQL语句分为聚合操作符、选择列、条件子句三部分,本模型将充分利用SQL语法特点,对其进行多粒度的分析,设计了 SQL语法解析器以及相应奖励策略。之后采用强化学习方法将SQL语法解析器的奖励反馈给生成器模型,指导其训练,最后在WikiSQL数据集上进行实验验证,模型提升效果明显。该模型解决了现有模型对于SQL特有语法结构利用的不够充分的问题。最后,进一步提出基于对抗强化学习的自然语言到SQL语句翻译模型Pnt-G+GAN。不同于现有强化学习模型只能对完整SQL语句作评估,该模型可以在生成过程中通过蒙特卡洛搜索对中间状态的未生成完毕语句作评估。其思想是将生成对抗网络与强化学习相结合,用生成对抗网络中判别器的输出直接作为奖励反馈给生成器,采用蒙特卡洛搜索对生成过程中的词语进行采样补全,使得模型可以评估未生成完毕的语句。此外,实验效果还表明之前提出的SQL语法解析器在本框架中同样可以发挥其作用。