近年来,随着智能移动设备的广泛普及,一大批移动应用也涌现出来,深入到人们生活的方方面面。这些移动应用强大的功能和丰富的体验对设备的处理能力提出了越来越高的要求,进而刺激着智能移动设备的快速升级换代。然而,移动设备上有限的资源仍越来越明显地成为了限制移动应用体验及其适用场景的瓶颈。随着移动网络的持续升级和云计算技术的逐渐成熟,研究者们尝试将移动应用中计算复杂的部分通过无线网络迁移到云端运行,从而突破智能移动设备的资源瓶颈、提升应用的体验。随着相关的研究成果逐渐积累,人们将这一新兴领域称为移动云计算。研究者们从理论分析、框架设计、关键技术的设计与验证、实际案例分析等角度对这一思想进行了深入的探讨和研究,并得到了许多令人振奋的结果。本论文基于前人的工作,着眼于在移动应用中占很大比例的交互式应用,对其特性进行分析,并设计了在移动云环境下对其进行性能优化的整套框架和平台。由于移动交互式应用对响应时间敏感而其计算往往相对复杂的特性,在开发中确定其质量指标(如识别率、精确度等)时极大地受限于移动设备的处理能力。在这一移动云计算平台中,在对应用进行计算迁移的同时,通过自动调节应用参数(如迭代次数、数据集大小等)的方式对应用的质量指标也一同进行动态调整。通过在其上测试一个基于图像的物体识别应用,本文相比传统的优化框架能更为显著地为这一示例应用提升性能。在这一平台的优化框架中,应用性能的质量指标和常规指标对上述可调参数和迁移方案的依赖关系是通过机器学习的方式自动学习得到的,是这一优化框架中的一个重点及难点。在移动云计算的现实场景中,稀疏的历史执行记录是不可避免的常态。针对这一挑战,本文将应用的性能模型分割成若干个子模型分别进行离线的训练和学习,而当在线性能预测时则将这些子模型连接组合起来进行预测,从而提高了对数据稀疏问题的鲁棒性。此外,本文以自动训练得到的特征向量来表征模块间、设备间的相似性,并利用这些相似性降低新设备、新应用的历史执行记录不足带来的影响。通过一系列的实验验证,本文设计的预测框架能够很好地应对现实环境中历史数据稀疏的问题。在这一平台的优化框架中,除上述对应用性能的预测之外,对应用迁移方案的决策也同样至关重要。基于对应用性能的预测,本文设计了一个基于遗传算法的通用算法对各种移动交互式应用的迁移方案进行决策,并在其中集成了对数据并行、流水线等分布式加速的决策。通过示例数据的实际运行情况得知,这一通用算法在给出高质量决策的同时能够很好地满足大多数移动交互式应用的实时性需求。而针对基于数据流的移动交互式应用,本文提出将计算同时迁移到多个微云上以突破其带宽瓶颈,并针对这一场景中存在的多用户竞争微云资源的问题,设计了统一对多个用户进行迁移决策的启发式算法。这一算法中分布式的离线预处理与集中式的在线启发式决策相结合的方案使得其实时性及扩展性都得到了较好的保障。从实验结果可知,这一算法能够在多微云场景下实时地为区域内的所有用户决策出近乎理论最优的迁移方案。在对移动交互式应用的特点及其实际运用中的需求进行深入分析之后,本文设计并实现了面向这类应用的移动云计算平台,并在其中设计了适合于这类应用的特殊优化框架。本文随后对其中最为关键的性能预测及迁移决策算法进行了深入地探讨,为其分别设计了高效的算法,并用示例应用在实际平台上对其进行了实验的验证。综合各部分的实验结果让我们相信,本文的研究工作能对未来工业界在实际的移动云环境下为交互式应用进行性能优化提供有益的参考和借鉴。