随着互联网技术的发展,数据呈现井喷的趋势,大数据成为信息时代的主旋律。对于数据库领域而言,随之面临的难题就是如何有效的组织和管理数据。为了满足存储的需求,不断催生了许多新型架构的数据库,但是对于查询性能的优化还未能取得突破性的发展。如何提升数据库查询执行性能,一直是数据库领域的重要研究方向,传统数据库查询优化方法已经无法胜任当前大规模的数据量以及新型架构的数据库。得益于人工智能技术的成熟发展,利用深度学习强大的学习能力,可以有效的解决诸多难题。人工智能技术和数据库融合也成为当前发展的重要方向之一,有不少研究也取得了不错的进展,但依然还面临巨大的挑战。针对查询优化中未能有效利用数据分布特征及关联关系,提出了一种基于图神经网络的数据库优化方法,有效的利用图神经网络对于图结构数据的特征提取能力,分析查询计划树的结构特征以及数据数据关联特征,主要算法包括数据基数估计GCE（GNN Based Cost Estimation）和连接顺序优化算法RGOS（Reinforcement-learning and GNN Based Join Order Selection）。其中基数估计算法主要利用Tree-LSTM（Long Short-Term Memory）树型图神经网络提取查询计划树的结构特征,并使用图卷积网络提取各个数据列的关联关系及连接的拓扑关系,通过对大量历史数据的学习提升查询准确率,为物理优化阶段提供更可靠的评价依据。连顺序优化主要利用图卷积算法提取查询特征和连接顺序特征,并利用强化学习算法感知数据库真实环境,以真实反馈来不断挑战和优化模型,从而提升连接顺序决策的效果。最终本文将上述两个优化算法应用到开源分布式关系数据库TiDB中。实验结果表明,基数估计算法GCE相较于TiDB原始的基数估计算法,准确率提升12倍左右;同时连接优化算法RGOS,能够提升TiDB平均查询性能40%。