近年来,云数据库凭借其按需购买、按量计价、高扩展性、高可用性等特性,获得了广阔的市场。当前的云数据库系统或是没有建立二级索引,或由开发者通过分析用户查询特征后手动添加索引,导致查询耗时长、慢查询多、系统吞吐量低、以及效率低下。目前索引自动推荐相关的研究存在无法推荐复合索引、无法为多负载建立通用模型等问题,不适用于云数据库的业务场景,因此研究面向云数据库的二级索引自动推荐方法意义重大。针对云数据库中的索引缺失问题,首先设计了一种基于强化学习的面向单负载索引自动推荐方法。该方法使用深度Q学习构建索引推荐模型,设计了可以推荐复合索引的动作空间、权衡时间和空间收益的奖励函数,在与数据库交互的过程中通过反馈信息自动学习索引推荐策略。针对单负载模型只能为单一工作负载推荐索引配置、通用性差、训练耗时长等缺点,进一步提出了一种通用性更好的面向多负载索引自动推荐方法。该方法首先使用深度神经网络分析查询时间和查询选择度的关系,建立查询时间预测模型,然后使用深度Q学习与查询时间预测模型交互,得到多组工作负载在不同索引配置下的执行时间,自动学习面向多负载的索引推荐策略,最后使用k-means聚类算法将云数据库中包含大量查询的工作负载,按选择度特征聚类为几个查询模板,为其推荐索引配置。为了验证方法的有效性,使用TPC-H和某知名云服务商提供的真实云数据库实例进行了综合全面的测试。结果表明,单负载模型为工作负载推荐配置后,工作负载的执行时间相较于无索引的情况降低了82%-99%,相较于现有的单列索引推荐方法降低了31%-88%;多负载模型推荐的索引配置使模拟工作负载的平均执行时间降低56%-72%,与现有的面向多负载的索引推荐方法相比使实际工作负载执行时间总计降低了76%,并使包含了1000个不同查询的真实工作负载的执行时间降低了92%。