二维过渡金属硫化物（Transition metal dichalcogenides,TMDCs）由于其独特的性质,如在稀释成单层时能从间接带隙过渡到直接带隙,以及具有谷依赖性的光致发光,近年来受到了广泛的关注。此外,作为一种具有相当大移动性的半导体,TMDCs材料也在依赖于原子层厚度的下一代电子和光电子器件中找到了合适的应用。然而,生产大面积可控方向且定位生长的TMDCs材料是一个巨大挑战。目前,大多数合成方法都是基于实验参数优化所得,而对于背后的生长机理并不清晰。随着动力学蒙特卡洛（Kinetic monte carlo,k MC）的兴起以及机器学习的发展,材料科学越来越多地采用计算方法来处理其技术领域中的各种复杂性问题,不仅为二维材料研究提供了新的方法,同时也对二维材料研究提出了更多更高的技术要求。因此结合k MC方法以及机器学习对二维材料生长背后的机理探索是具有重大意义的。本文将从二硫化钨（WS2）各向异性生长的制备,k MC仿真以及机器学习模型三个方面探索其生长机理。生长制备主要利用硫粉,三氧化钨（WO3）通过化学气相沉积（Chemical vapor deposition,CVD）方法在反应炉中进行反应,可以制备出有效且与以往报道单层WS2特性相符的薄膜。k MC仿真部分根据在实验中所得到影响生长的相关参数以及通过第一性原理计算得到的动力学参数设计模型,在模型中加入了衬底吸附以及表面扩散等关键因素。通过对不同生长条件下的k MC模拟结果进行对比分析,初步得到了C/M比值是影响各向异性生长以及生长面积极化的主要原因在机器学习部分,本文将学习任务分为分类任务和回归任务,分类任务通过分析k MC模拟结果来预测各向异性生长和各向同性生长,欠生长和过度生长类型。而回归任务主要是完成对于各向异性生长程度的回归计算。通过训练模型,取得了一定的进展,包括准确率为91%的各向异性预测模型和准确率为90%的各向同性预测模型,以及准确率为98%的欠生长预测模型和准确率为99%的过生长预测模型。另外,在初步生长机理基础上通过最小二乘法模拟生长趋势面,进一步分析并计算得到各向异性生长的曲面方程。这有可能是合成大面积或极端各向异性单层WS2薄膜的关键。本文成功设计了结合kMC方法以及机器学习的基本框架对WS2的各向异性生长机理进行研究。本文的特点是通过k MC仿真累积统计在原子层面上动力学过程的影响,帮助量化这些不同的实验条件以更好地分析其机理。同时利用机器学习模型预测其生长,减少不必要的仿真达到缩小总仿真时间,从而减小实验所需要的成本和时间。此外,这一框架也适用于其他TMDCs材料乃至二维材料的研究,因此对于二维材料研究来说具有重大意义。