近年来,石墨烯独特的层状结构和电学特性使其成为国内外研究的焦点。由于石墨烯是一种零带隙材料,极大程度上限制了它在光学和电学等方面的应用。随着石墨烯研究的快速发展及材料制备技术的不断革新,极大促进了其他具有类似二维层状结构特征的相关材料的研究进程。在实验室研究中,机械剥离是最常见也是最方便快捷制备二维材料的方法,但由于机械剥离随机性强,剥离片层碎小以及厚度不均匀等问题,需要进一步改善剥离技术,完善剥离方法。其次剥离过后,进一步识别二维材料厚度也是一个亟待解决的问题,采用仪器识别具有相对复杂昂贵等劣势,因此需要研究出快速准确且便捷识别二维材料层数的方法。在二维材料诸多优异的特性中,二维材料的力学性能在制造,集成和器件方面及其潜在应用方面起着重要作用。而且机械和其他物理特性（热,电,光学）之间的耦合关系对于探索新的应用也很有意义。因此本文从剥离技术的改进以及在不同基底上识别不同二维材料厚度问题上创新性的提出了机器学习解决方法,而且在探究新兴二维材料力学性质上,采用无基底悬浮方法对硒化铟材料进行研究,具体内容如下:一.在传统机械剥离过程中加入等离子清洗机清洗基底,在样品转移至基底对其进行恒温加热排气控制膜内外压强差等两项关键步骤,大幅度提高剥离效率,样品薄层率。以过渡金属硫族化合物MoS₂和非过渡金属InSe为例,加入等离子清洗机清洗基底有利于去除基底表面吸附的气体分子,加热及冷却过程有利于排除样品与基底之间的空气增加样品与基底的接触面积,提高剥离质量。结果显示,改进的剥离方法显著提高了剥离样品面积以及薄层率。此改进方法在剥离过渡以及非过渡金属化合物上的成功率都有明显提升,进一步可以推广到其他二维材料,使剥离对象范围大大增加,有利于促进其他二维材料的进一步开发和研究。二.在传统识别二维（2D）材料的方法上,我们开发一种基于k均值聚类和最近邻算法测试（k-NN）的机器学习方法,通过红绿蓝（Red-Green-Blue RGB）值对不同2D材料厚度进行分类识别。首先我们基于菲涅耳定律的反射模型,成功的建立了二维材料的层数和基地厚度、光波长、光学对比度（Optical Contrast-OC）、RGB和光学色差值（Total Color Difference-TCD）之间的关系,再基于RGB值,开发了一种基于k均值聚类和k-NN最近邻算法测试的机器学习方法,在SiO₂/Si衬底上使用石墨烯和MoS₂作为示例,此方法能够快速便捷准确识别薄层二维材料厚度,而且可以避免对样品的破坏以及昂贵仪器使用等问题,适用于各种2D材料和基底,为其他二维材料的识别奠定了基础,为二维材料识别提供了新思路。三.实验研究新兴二维材料硒化铟（InSe）不同层数的力学性质,而且发现材料的杨氏模量随厚度增加而减小。我们采用基于原子力显微镜（AFM）的悬空无基底方法,将多层新兴二维材料InSe（>5 L）的杨氏模量和断裂强度分别测量为101.37±17.93GPa和8.68 GPa,并结合连续介质体分析和有限元计算能很好的拟合实验曲线。而且发现InSe的杨氏模量随厚度增加而减小,我们推测可能是由于层间轻微滑动造成的。其次根据研究结果还发现,二维InSe比大多数二维材料更柔软,断裂强度高于碳纤维,但柔韧性更强,是柔性电子应用的理想材料。