近年来由于消费电子设备、新能源汽车行业的需求增长,半导体行业迎来了高速发展,以半导体芯片为代表的微纳电子设备的尺寸已经缩小至十纳米以下。微纳电子设备结构紧凑并且功率较高,这要求更好的热管理技术以解决其散热问题,通过分析纳米级系统中的热输运性质可以更好地控制微纳电子设备的导热性能。分子动力学方法被广泛应用于预测材料的热学性质,其结果的准确性与势函数有关,深度学习算法可以作为一种有力的工具来开发分子动力学模拟中的精确势函数。本文以分子动力学方法研究了锗晶体与锗烯纳米带的热输运性质。首先以晶体锗为研究对象比较了平衡态（EMD）与非平衡态模拟（NEMD）两种方法研究材料导热性质的一致性,研究表明NEMD模拟的结果更好与实验值更接近。在此基础上使用NEMD方法研究了二维与三维材料中的不同因素对其热导率的影响:对于锗晶体研究发现模拟时的温度、体系的长度和空位缺陷对材料热导率影响较大;对于锗烯纳米带模拟发现不同的手性、纳米带的长度和模拟时选取的势函数对其热导率影响较大。文中从晶格动力学和声子传播的角度对相关现象作出了解释,为纳米尺度材料的热管理提供了相应的模拟数据借鉴。通过上述研究发现,分子动力学模拟中势函数对结果的影响较大。为了得到更加准确的势函数,本文最后一部分采用深度神经网络生成了晶体锗的原子间势函数,该势函数是通过AIMD中的能量与力的数据训练得到的。首先将深度势预测的能量和力的误差与AIMD的计算结果进行了比较,另外基于此势函数得到了晶体锗的声子色散曲线和200到800K下的晶格热导率,研究表明深度势可以较好地给出材料的二阶和三阶力常数。最后我们将该深度势应用于分子动力学模拟晶体锗的热导率,模拟中深度势不仅很好地保留了材料的结构而且在300K下模拟得到的热导率与实验测量值吻合较好。本研究为预测微纳体系的热输运性质提供了一种高精度的解决方案,表明深度神经网络是模拟微纳尺度传热的有力工具。