近年来,随着各行各业大数据分析处理应用需求的不断增长,各种不同类型的数据库系统得到了蓬勃发展。这些系统在查询语言、计算模型、系统架构与底层存储技术等方面往往存在很大的差异,大大增加了大数据分析处理的复杂度,也限制了跨平台查询分析的可能性。同时,许多现实的业务也提出了通过SQL语句便捷、高效地执行跨平台查询的需求,跨平台查询逐渐成为学术界与工业界的一个研究热点。为了解决跨平台查询系统的易用性、统一性与性能问题,本文研究了基于SQL的跨平台统一查询系统模型和框架、跨平台查询优化技术、数据迁移技术以及完整的系统设计,在此基础上设计实现了一个跨平台统一大数据SQL查询系统Sloth。本文主要的研究内容与贡献点包括:（1）研究并提出了一种统一的跨平台查询模型,为用户提供支持跨平台SQL查询的统一查询语言并屏蔽底层执行平台的异构性,允许用户在一个查询语句中对不同底层数据源中的表数据进行连接（Join）操作;该模型按照解析、优化、调度的流程处理用户提交的查询语句,并根据执行计划自动完成子查询调度与数据迁移,使跨平台查询的整个过程对用户完全透明。（2）提出了一种先进的两阶段跨平台查询优化器。第一阶段是一个基于规则的优化器,负责对逻辑计划进行预处理,由逻辑计划优化、子查询划分以及连接重排序（Join Reordering）三个步骤组成;第二阶段是一个基于代价的优化器,枚举所有可能的执行计划并计算各执行计划的代价,并利用动态规划方法减少开销,从而快速找到最佳执行计划。（3）提出了一种在线调整多平台系统物理设计（Online Physical Design Tuning ofMultistore）的方法,根据查询历史周期性地将频繁使用的查询结果持久化到合适的底层平台上（即生成物化视图）,并通过基于语义的视图匹配算法复用物化视图数据,以代替跨平台查询中部分子查询与数据迁移操作,从而优化跨平台查询;提出了一种基于语义的Spark Shuffle数据复用技术,以优化SparkSQL执行Join的性能。（4）基于上述框架与优化方法,研究并设计实现了一个高效的跨平台统一大数据SQL查询系统Sloth,其集成了 SparkSQL、MemSQL与PostgreSQL三个主流数据库系统。Sloth为用户提供统一的跨平台查询语言,屏蔽底层平台的异构性,并实现了多平台间的并行化数据迁移以提升迁移性能,从而自动、高效地执行用户提交的跨平台查询,为用户提供平台透明性与执行透明性。实验表明,本文提出的Shuffle数据复用技术有效提升了 SparkSQL执行Join的性能;与MuSQLE相比,本文系统Sloth的并行化数据迁移技术大大提升了数据迁移的性能,最高可达8.9倍性能提升;与MuSQLE、SparkSQL、PostgreSQL和MemSQL相比,Sloth在跨平台查询上取得了最佳性能,加速比超过一个数量级。