[pt] Nos últimos anos, vários mecanismos permitem medir campos vetoriais reais, provendo uma compreensão melhor de fenômenos importantes, tais como dinâmica de fluidos ou movimentos de fluido cerebral. Isso abre um leque de novos desafios a visualização e análise de campos vetoriais em muitas aplicações de engenharia e de medicina por exemplo. Em particular, dados reais são geralmente corrompidos por ruído, dificultando a compreensão na hora da visualização. Esta informação necessita de uma etapa de remoção de ruído como pré-processamento, no entanto remoção de ruído normalmente remove as descontinuidades e singularidades, que são fundamentais para a análise do campo vetorial. Nesta dissertação é proposto um método inovador para remoção de ruído em campo vetorial baseado em caminhadas aleatórias que preservam certas descontinuidades. O método funciona em um ambiente desestruturado, sendo rápido, simples de implementar e mostra um desempenho melhor do que a tradicional técnica Gaussiana de remoção de ruído. Esta tese propõe também uma metodologia semi-automática para remover ruído, onde o usuário controla a escala visual da filtragem, levando em consideração as mudanças topológicas que ocorrem por causa da filtragem. / [en] In recent years, several devices allow to measure real vector fields, leading to a better understanding of fundamental phenomena such as fluid dynamics or brain water movements. This gives vector field visualization and analysis new challenges in many applications in engineering and in medicine. In particular real data is generally corrupted by noise, puzzling the understanding provided by visualization tools. This data needs a denoising step as preprocessing, however usual denoising removes discontinuities and singularities, which are fundamental for vector field analysis. In this dissertation a novel method for vector field denoising based on random walks is proposed which preserves certain discontinuities. It works in a unstructured setting; being fast, simple to implement, and shows a better performance than the traditional Gaussian denoising technique. This dissertation also proposes a semi-automatic vector field denoising methodology, where the user visually controls the filtering scale by validating topological changes caused by classical vector field filtering.