自二维（Two dimensional,2D）石墨烯成功剥离以来,很多实验和理论研究投入到新型2D材料的开发中。作为关注度非常高的2D材料之一,过渡金属硫属化物（Transition metal dichalcogenides,TMDs）及其衍生材料具有非常突出的物理化学性质,在光电晶体管、太阳能电池、发光器件、催化等领域展现了非常大的应用潜力,受到了人们的广泛关注。然而,类TMDs的结构-性质关系尚不明确,作为功能材料应用的性能仍然需要进一步提升。高通量实验和量子力学方法对于发现具有更优异性能的类TMDs材料非常重要,但是需要的成本相当高,效率非常低,很难满足当今材料领域快速发展的需要。随着人工智能的飞速发展,结合数据驱动的机器学习方法和材料性质研究以及新型功能材料设计,可以有效地发现符合预期的类TMDs材料,降低新型功能材料性质研究和结构设计的成本。本文中,基于机器学习方法和收集的类TMDs数据,我们建立了一系列的分类和回归模型,对它们的热稳定性和电子带隙性质进行准确的预测,加上其它的筛选条件,我们可以成功筛选出一些可以应用于光电器件的类TMDs材料。我们的工作可以准确评估类TMDs结构与性质的关系,有助于进一步设计应用于相应领域的新型类TMDs材料,也为设计其它功能材料提供了策略。本论文主要研究内容如下:（1）基于机器学习方法,我们对已知的单层类TMDs结构MX2的热稳定性和形成能进行了分析。10个特征和Light GBM算法被选择建立判断2H相MX2结构热稳定性的分类模型,模型的ACCtest达到了0.974,训练集的10折、交叉验证ACC为0.906,有着不错的稳定性和预测能力;通过Light GBM的可解释性,直观了解到电子亲和力、元素原子族数等相关特征与热稳定性之间的联系。我们也通过SVR方法分别建立了预测2H相和1T相MX2形成能的回归模型,模型的R2test分别为0.944和0.977,十折交叉验证的RMSE分别为0.173和0.168 e V/atom,有着不错的泛化能力和稳定性,也间接证明了选择的特征与MX2的形成能之间存在良好的关系。构建的模型有效地分析了结构-特性关系,为新型功能材料设计提供了参考依据。（2）为了快速寻找稳定且具有优异电子、光电性能的潜在MXY,我们采用数据驱动的方法来加速材料发现,设计了基于机器学习和第一性原理的筛选框架,对数据库中已知的216个MXY结构的热稳定性和带隙进行了分析,并应用于新型MXY材料的预测发现。基于8个特征的Logistic Regression模型被构建用于判断MXY的热稳定性,模型测试集准确率为0.955,5折交叉验证的准确率为0.940;基于6个特征的Gradient Boosting Classifier模型被构建用于判断MXY的金属性,测试集的预测准确率为0.977,5折交叉验证的准确率达到0.907。之后,通过SVR算法,我们采用8个特征建立了用于预测MXY带隙的回归模型,R2test和RMSEtest值分别为0.940和0.158 e V,有着非常良好的泛化能力。通过分类模型和回归模型的两轮预测,我们成功从未探索的198个结构中筛选出28个符合要求的光伏候选材料。通过DFT计算验证,发现了拥有1.14 e V直接带隙的新型MXY结构Zr Br Se（H）,该结构有望应用于光伏电池等领域。（3）为了快速寻找具有优良电子性质且稳定的潜在TMDs合金材料,我们采用了8个特征并通过最优的SVR算法来建立MaNbX8带隙值的回归预测模型。该模型具有优良的稳定性和泛化能力,测试集的R2test和RMSEtest值分别为0.964和0.091 e V,5折交叉验证的R2和RMSE分别为0.934和0.152 e V,具有优异的稳定性和预测能力。最后通过该模型成功从216个潜在结构中筛选出114个带隙值在0.3～1.5 e V范围内的候选MaNbX8结构,并通过DFT计算确定了6个可应用于光电器件的新型TMDs合金结构。基于机器学习方法,该工作仅用较少的数据集和特征建立了可靠的预测模型,极大的加速了新型电子和光电二维材料的开发过程。综上所述,借助机器学习方法,我们成功建立了类TMDs材料的结构-性质关系,并用于未知结构的预测,有助于理解类TMDs性质的结构影响因素,为设计新型功能材料提供了策略。同时,我们成功筛选了一些可用于光电领域的2D半导体候选材料,能够促进光电领域的发展。我们的工作成功地将机器学习应用于材料的性质预测中,推动了材料基因组计划的发展。