关系结构（如模式链接和模式编码）已被证实是将自然语言高质量地转化为SQL查询的关键组件。然而，引入这些结构关系也带来了代价：通常会导致模型结构高度专用化，从而严重限制了大型预训练模型在文本到SQL任务中的应用。为解决这一问题，我们提出RASAT——一种基于关系感知自注意力机制增强的Transformer序列到序列架构，能够在有效继承T5模型预训练参数的同时，灵活利用多种关系结构。该模型可整合文献中几乎全部类型的关系，并进一步提出在多轮对话场景中引入共指关系（co-reference relations）以提升表现。在三个广泛使用的文本到SQL数据集上的实验结果表明，RASAT在所有三个基准测试中均取得了当前最优性能：在Spider数据集上达到75.5%的执行准确率（EX），在SParC数据集上达到52.6%的独立执行准确率（IEX），在CoSQL数据集上达到37.4%的IEX。