Mobile Cloud Computing (MCC) enables resource-constrained smartphones to run computation-intensive applications through code/data offloading to resourceful servers. Nevertheless, this technique can be disadvantageous if the offloading decision does not consider contextual information. Another MCC challenge is related to the change of access point during an on-going offloading process, since it impacts on or is impacted by resource scarcity, finite energy, and low connectivity in a wireless environment. This PhD research has developed a context-sensitive offloading system that takes advantage of the machine-learning reasoning techniques and robust profilers to provide offloading decisions with the best levels of accuracy as compared to state-of-the-art solutions. In addition, this work proposes a way to support seamless offloading operations during user mobility through the software-defined networking (SDN) paradigm and remote caching technique to speed up the offloading response time. Firstly, in order to address the offloading decision issue, the approach evaluates the main classifiers under a database comprised of cloud, smartphone, application, and networks parameters. Secondly, it transforms raw context parameters to high-level context information at runtime and evaluates the proposed system under real scenarios, where context information changes from one experiment to another. Under these conditions, system makes correct decisions as well as ensuring performance gains and energy efficiency, achieving decisions with 95% of accuracy. With regards SDN-based mobility support, the results have shown that it is energy efficient, especially considering the low-cost smartphone category, while remote caching proved to be an attractive alternative for reducing the offloading response time.CAPESA computação em nuvem móvel (MCC) permite que smartphones com recursos limitados executem aplicações intensivas de computação através do offloading de código/dados para servidores potentes. No entanto, esta técnica pode ser desvantajosa se a decisão de offloading não considera informações contextuais. Outro desafio da MCC está relacionado à mudança de ponto de acesso durante um processo de offloading contínuo, uma vez que impacta ou é impactado pela escassez de recursos, energia finita e baixa conectividade em um ambiente sem fio. Esta pesquisa de doutorado desenvolveu um sistema de offloading sensível ao contexto que tira proveito das técnicas de raciocínio de aprendizagem de máquina e perfiladores robustos para prover decisões de offloading com os melhores níveis de acurácia em comparação com soluções do estado da arte. Além disso, este trabalho propõe uma maneira de suportar operações de offloading contínuas durante a mobilidade do usuário através do paradigma de redes definidas por software (SDN) e técnica de cache remoto para acelerar o tempo de resposta do offloading. Primeiramente, para resolver o problema da decisão de offloading, a abordagem avalia os principais classificadores sob uma base de dados composta de parâmetros relacionados a nuvem, smartphone, aplicativos e rede. Em segundo lugar, ela transforma parâmetros de contexto bruto em informações de contexto de alto nível em tempo de execução e avalia o sistema proposto em cenários reais, aonde as informações de contexto mudam de um experimento para outro. Nessas condições, o sistema toma decisões corretas, bem como garante ganhos de desempenho e eficiência energética, alcançando decisões com 95% de acurácia. Com relação ao suporte à mobilidade baseado em SDN, os resultados mostram que o sistema é eficiente em termos energéticos, especialmente considerando a categoria de smartphones de baixo custo, enquanto o cache remoto provou ser uma alternativa atrativa para reduzir o tempo de resposta de offloading.