信息化时代的不断发展带来了数据的爆发式增长,催化了数据库领域相关技术的更新迭代。从传统的关系型数据库到蓬勃发展的New SQL数据库,从单机数据库到分布式数据库,不断发展的数据库技术旨在解决两个根本问题,其一是如何高效组织存储数据,其二是如何快速查询处理数据。针对快速查询处理数据这一问题,查询优化器作为影响数据库查询效率的关键组件,一直以来都是数据库领域科学研究和工程实现的重点。然而查询优化器在逻辑优化与物理优化两个阶段中依然存在一些问题。在逻辑优化中,查询优化器对关系代数的优化依然停留在启发式阶段,缺乏对查询语句的敏感度和灵活性。在物理优化中,复杂的数据库部署环境及多变的数据分布情况,导致优化器现有的基数估计方案难以适应当前数据状态的变化,决策出较为合理的执行计划。针对以上问题,论文基于Volcano查询优化器模型,结合分布式关系型数据库Ti DB的具体实现,开展逻辑优化和物理优化的相关研究。在逻辑优化阶段,提出一种基于强化学习的自适应逻辑优化规则匹配方法。该方法通过树卷积神经网络提取逻辑计划树及优化器状态信息特征,利用强化学习模型获得匹配的优化规则应用顺序,使优化器选择适合当前查询的优化规则,提高优化器对查询语句的感知能力。在物理优化阶段,设计了一种基于样本统计信息的基数估计方案,通过从数据库原始数据中快速采集样本作为统计信息的补充参与查询优化器基数估计流程,从而提高基数估计精确度。最后,基于TiDB SQL引擎,实现了提出的逻辑优化方法和物理优化方案。测试结果表明,在逻辑优化中,基于强化学习的自适应逻辑优化规则匹配方法能够提高优化器的灵活性和可扩展性。在物理优化中,基于样本统计信息的基数估计方案能够提高原生数据库系统基数估计精度,从而提高了数据库的查询执行效率。