随着数据库系统理论研究与技术实践的快速发展,数据库系统的调优与维护日趋复杂,对各个子模块子任务的性能要求越来越高。在以深度神经网络为代表的统计学习方法于各个领域得到广泛应用的同时,将统计学习理论与方法应用于数据库系统任务的智能数据库系统成为了新的研究热门。智能数据库系统将统计学习模型应用于数据库配置的智能化、数据库优化的智能化、数据库设计的智能化等各个层次与角度,在大量具体任务上取得了新的指标突破。而在智能数据库系统中,一个常见但缺少专门论述的问题是,如何对于单个查询任务进行可靠而高效的表示,从而能够为查询优化、任务流序列建模、索引结构选择等多个智能数据库系统任务带来特征侧的提升。本文对于智能数据库系统中的查询任务表示算法问题,从样本生成、训练框架、多模态特征表示与融合、带有查询语句语言模型的多任务学习等多个角度进行了设计、实现与分析验证。在基础框架方面,本文设计并实现了一套可迁移的快速大量生成智能数据库系统预测任务所需样本的系统及智能数据库系统预测任务的训练与评估框架,在TPC-C标准数据集与Maria DB开源数据库的基础上,支持任意数量的随机、合规、高自由度的查询任务及样本的生成,能自动完成包括直方图特征解析在内的数据生产端特征预处理。在训练评估侧,本文在Tensor Flow开源框架内实现基于纯CPU计算组件的特征解析、模型训练与模型评估框架,从而得以支持本文涉及到的各类深度神经网络模型的快速开发与验证。在基础特征表示方面,本文通过深度神经网络领域的方法,对于智能数据库系统预测任务所必需的多模态特征设计了一套高度可扩展的表征与融合方案,使得预测任务所需的结构信息特征、语义信息特征、辅助稠密特征等都能够转化为深度神经网络所能够处理与分析的张量化形式;同时,设计并比较了三种不同的多模态特征融合方法,其中的辅助损失强制融合方法在数据集上有着明显优越的实验效果。在SQL查询语句的语言模型建模方面,本文实现并验证了12种不同的语言模型在SQL查询语言上的学习效果,并系统分析了各个语言模型的收敛性能与收敛位置,验证发现以门控递归单元（GRU）与长短期记忆模型（LSTM）为代表的门控递归神经网络模型对于智能数据库系统的SQL查询语言模型学习任务具有高度的适应性。在被过去研究忽视的智能数据库系统中的多任务学习问题上,本文针对语言模型融合防范特征泄露与常规任务损失平衡两个关键点,设计并实现了一套支持语言模型单向隔离的多任务学习结构框架,经过真实数据集上的检验,该系统不仅比三个独立的预测系统节省资源,更能够低风险地提高智能学习任务的收敛效果。总体上,本文针对智能数据库系统的查询表示问题,进行了多个角度的算法研究与系统实验,为后续基于查询表示的其他智能数据库系统带来了可靠的研究基础。