聚合函数的近似查询处理（AQP）是近年来数据库领域的研究热点。针对现有的近似查询技术存在查询响应时间长、存储开销大、不支持多谓词查询等问题，提出一种基于深度自回归模型的AQP方法DeepAQP （Deep Approximate Query Processing），利用深度自回归模型对表中多列数据的联合概率分布进行学习和建模，以估计给定查询的谓词选择度和目标列概率分布，以促进单表下多谓词聚合函数近似查询请求的有效处理。在TPC-H和TPC-DS数据集上进行实验，结果表明，与基于采样的VerdictDB方法相比，DeepAQP在查询响应时间和存储空间开销上均降低了2到3个数量级；与基于传统机器学习模型的DBEst++方法相比，DeepAQP的查询响应时间降低了1个数量级，显著降低了模型训练耗时，并且可以处理DBEst++所不支持的多谓词查询请求。可见，DeepAQP兼顾了查询精度和速度，并显著降低了算法在训练和存储上的开销。
