Las Redes Oportunistas son redes capaces de operar en algunos de los entornos más hostiles imaginables para una red de datos, cuando casi nada se sabe con certeza de la infraestructura. Los nodos pueden estarse moviendo saliendo de alcance continuamente, apagarse imprevistamente, o sufrir de interferencias; los usuarios de la red pueden querer acceder a datos sin saber dónde están alojados, o querer transmitirle a un nodo que está inaccesible por un tiempo indeterminado. Esto causa que las Redes Oportunistas estén condicionadas por procesos estocásticos complejos. Son sistemas ciber-físicos, cuyo comportamiento resulta de la interacción entre sistemas de software y la realidad física. Por lo tanto, uno de los retos principales para los algoritmos de enrutamiento para Redes Oportunistas es gestionar esta aleatoriedad e imprevisibilidad. Lo anterior resulta en que las Redes Oportunistas son difíciles de modelar y caracterizar. En esto radica uno de los mayores retos a la hora de diseñar y desplegar algoritmos de enrutamiento efectivos. En este trabajo proponemos métodos de modelado de Redes Oportunistas y aplicamos esos modelos para construir algoritmos de enrutamiento eficientes y flexibles. Desarrollamos dos clases de modelos. El primero es un modelo analítico deductivo, que permite extraer conclusiones generales para redes ideales. El segundo modelo está basado en datos, y captura la dinámica y comportamientos de una red real, representándolos en una estructura de datos novedosa. Este modelo se aplica para desarrollar algoritmos basados en Aprendizaje Automático, siendo el resultado eficiente y generalizable.