电子与物质相互作用时的二次电子发射与许多研究和技术应用相关,这些应用领域包括扫描电子显微镜、航天器工业、高能加速器和辐射生物学。然而,即使在二次电子发射现象被发现一个世纪后,由于测量数据存在较大偏差,仍然很难有可靠的实验数据。此外,传统的理论方法不能描述与材料相关的二次电子产额,也没有计算绝对产额的公式,可用的公式仅针对约化产额。因此,非常需要一种准确和有效的新方法,在足够广的入射能量范围内预测元素固体的二次电子产额。此外,比解析方法要准确得多的蒙特卡罗模拟方法也需要有关电子与物质相互作用的精确知识。许多相关技术中都依赖于样品的光学常数或电子阻止本领的数据,然而对很多材料来说都没有介电函数数据,而电子阻止本领的实验数据也很少,这进一步限制了蒙特卡洛方法的应用。近年来机器学习方法因其探索数据中模式的能力而备受关注。具体来说,机器学习方法与材料信息学中第一性原理计算相结合已应用于新材料的设计和发现以及材料物性预测,这显示了机器学习方法用于固态材料信息学的潜力。另一方面,将机器学习方法与实验数据一起用于材料的特性挖掘将提高这些技术对特定问题的准确性。本文将蒙特卡洛方法和机器学习方法应用于研究电子与物质的相互作用,特别是二次电子发射产额和电子阻止本领:结合了机器学习方法与实验数据对材料的二次电子产额和阻止本领性质进行探索,并采用蒙特卡洛方法研究生物质中最重要的材料（液态水）的电子发射。全文组织如下:第一章中,我们讨论了研究的背景、应用和意义。总结了二次电子产额和电子阻止本领的理论模型和实验测量。同时也介绍了电子-水相互作用模拟的研究背景和进展。第二章中,我们介绍了本文中采用的蒙特卡洛模拟方法,即“经典蒙特卡洛模拟”程序（CMC）、Geant4-DNA蒙特卡洛程序（G4DNA）,它们用于模拟电子与水的相互作用。第三章中,我们报告一种机器学习方法,用于从大量材料的噪声实验数据库中更可靠的预测二次电子产额。这项工作的一个特点是,用机器学习方法消除测量数据中的不确定性,生成了一个质量足够的二次电子产额数据库,用于开发二次电子产额的数学表达式。本研究中发展的机器学习模型是一个精确的模型（基于“留一材料出交叉验证（LOOCV）测试结果”）,可在较广的能量范围内预测元素的二次电子产额。此外,根据模型的预测,可以评价实验数据库的可靠性。第四章中,我们使用机器学习模型生成的二次电子产额数据库,获得了二次电子绝对产额的数学表达式,解决了应用物理学领域中一个长期存在的问题。该公式不含未知常量,与实验最大产额实验值无关,可用于计算二次电子绝对产额作为入射能量和原子序数的函数,显示了物质依赖的二次电子产额随入射能量的变化。该普适公式计算出的二次电子产额在实验数据区间范围内。与以前的公式相比,该公式更有应用前景。我们将该表达式扩展用于计算化合物材料的二次电子产额。与实验数据的比较表明,它的确可用于化合物材料。该公式可用于处理电子探针与物质相互作用的应用以及那些受二次电子发射有害影响的许多科学领域。第五章中,我们讨论了使用各种机器学习技术以基于一个很小的电子阻止本领实验数据库进行精确预测。通常机器学习方法需要大型数据库才能进行精确预测,然而对于电子阻止本领来说只有少数材料才有实验数据。我们单独应用各种算法及其程序集（称为集合）以提高预测精度。基于模型的性能评估测试,我们得出结论,组合机器学习方法比单个算法更准确,特别是在训练数据库小得多的情况下。使用这种方法,我们能够在广泛能量范围内预测训练数据库中已有元素以及训练库以外元素的电子阻止本领。第六章中,我们研究了液态水中的二次电子发射。液态水在辐射生物学中具有很大的研究意义,因为它被认为与生物组织等效。G4DNA是一种开源蒙特卡洛软件,被广泛用于模拟与水和其他生物材料的辐射相互作用。在这项研究中,我们扩展了本组的CMC程序用于模拟电子与液态水的相互作用,然后将CMC与G4DNA进行比较,以预测液态水的二次电子产额。我们发现,与CMC和实验数据相比,G4DNA低估了二次电子产额。这是因为G4DNA中电子非弹性散射模型在低能时是不准确的,因此在模拟电子轨迹时采用了 10 eV的截断。但是,低于10 eV的低能电子对于模拟细胞级辐射损伤具有特别重要的意义。我们建议采用低至meV能量损失范围的完整光学数据模型已对G4DNA加以改进。第七章对本博士论文进行了总结。