+100 Temas de TCC em Ciência da Computação 2026

Escolher o tema do TCC em Ciência da Computação trava mais alunos do que qualquer outra etapa do curso. A área é ampla demais — inteligência artificial, segurança, redes, engenharia de software — e um tema genérico como "estudo sobre machine learning" costuma voltar do orientador com pedido de recorte antes mesmo de você começar a escrever.

Escolher errado nessa fase custa caro. Sem recorte claro, a busca por referencial teórico vira uma busca sem fim, e o problema de pesquisa fica vago demais para sustentar uma metodologia sólida. O resultado mais comum é meses perdidos reformulando o projeto quando já era para estar escrevendo o desenvolvimento.

Esta lista reúne mais de 100 temas de TCC em Ciência da Computação organizados por área, cada um com uma orientação mínima sobre o recorte e a abordagem metodológica sugerida — o suficiente para você sair daqui com um ponto de partida concreto, não apenas uma lista de palavras-chave soltas.

Como escolher um tema de TCC em Ciência da Computação sem cair em armadilhas comuns

Antes de escolher um item da lista, vale aplicar três filtros rápidos. São os critérios que mais separam um tema viável de um tema que parece bom no papel e trava na prática.

Existe base de dados ou ambiente para testar? Temas de machine learning, segurança ou banco de dados geralmente exigem um dataset real ou simulado. Verifique a disponibilidade antes de fechar o tema — datasets públicos como Kaggle, UCI Machine Learning Repository ou portais de dados abertos do governo resolvem boa parte dos casos.

O recorte é pequeno o suficiente para um TCC de graduação? "Aplicar machine learning na saúde" é tema de doutorado. "Comparar dois algoritmos de classificação em um dataset específico de diagnóstico" é tema de TCC. A lista abaixo já sugere esse recorte, mas ele pode — e deve — ficar ainda mais específico na sua proposta final.

Existe literatura suficiente publicada? Temas muito recentes, como os da seção "Temas emergentes para 2026", exigem atenção redobrada aqui. A última seção deste artigo traz orientações específicas sobre como lidar com isso.

Depois de aplicar os três filtros, o delimitador de temas de TCC ajuda a transformar a ideia genérica da lista em um recorte fechado, e o gerador de objetivos por Taxonomia de Bloom auxilia a redigir o objetivo geral e os específicos a partir desse recorte.

O erro mais comum nessa fase não é escolher um tema ruim — é escolher um tema bom demais, amplo demais para o tempo de um TCC de graduação. Recorte primeiro, encante o orientador depois.

Temas de Inteligência Artificial e Aprendizado de Máquina

IA segue como a área mais procurada em Ciência da Computação — e também a mais fácil de errar pelo excesso de ambição. Datasets públicos resolvem boa parte do problema de acesso a dados; o desafio real está no recorte do problema de pesquisa.

• Detecção de fraudes financeiras com machine learning — comparar algoritmos supervisionados (Random Forest, XGBoost) em base pública de transações; pesquisa quantitativa.
• Sistemas de recomendação para e-commerce — comparar filtragem colaborativa e filtragem baseada em conteúdo em um catálogo real ou simulado.
• Classificação de imagens médicas com redes neurais convolucionais — avaliar acurácia de CNNs pré-treinadas em datasets públicos de radiografias.
• Análise de sentimento em português com NLP — testar modelos pré-treinados (como BERTimbau) em avaliações reais de produtos ou serviços.
• Chatbots baseados em LLMs para atendimento ao cliente — estudo de caso comparando arquiteturas de RAG e fine-tuning.
• Detecção de fake news com técnicas de processamento de linguagem natural — desenvolver classificador supervisionado a partir de corpus rotulado em português.
• Visão computacional para contagem de pessoas em ambientes públicos — comparar algoritmos de detecção de objetos (YOLO, SSD).
• Aprendizado por reforço aplicado a jogos digitais — implementar agente que aprende estratégia em ambiente simulado.
• IA explicável (XAI) em modelos de crédito bancário — aplicar técnicas de interpretabilidade (SHAP, LIME) em modelo de scoring.
• Reconhecimento facial e vieses algorítmicos — análise crítica de acurácia por grupo demográfico em datasets públicos.
• Geração automática de resumos acadêmicos com modelos de linguagem — avaliar qualidade dos resumos gerados com métricas como ROUGE.
• Previsão de evasão escolar com machine learning — modelo preditivo a partir de dados históricos de matrícula de uma instituição.
• IA aplicada ao diagnóstico precoce de doenças crônicas — revisão sistemática de modelos aplicados a bases públicas de saúde.
• Otimização de rotas logísticas com algoritmos genéticos — comparar desempenho com heurísticas tradicionais.
• Detecção de anomalias em sensores IoT com aprendizado não supervisionado — estudo de caso com dados simulados de sensores industriais.
• Tradução automática para línguas indígenas brasileiras — mapeamento de desafios técnicos e viabilidade com corpora reduzidos.
• Previsão de churn de clientes com machine learning — comparar algoritmos de classificação em base de dados de assinaturas.
• Agentes de IA autônomos para automação de tarefas — estudo exploratório de arquiteturas de agentes multi-etapa aplicadas a um domínio específico.

Antes de fechar um tema de IA, confirme se o dataset que você pretende usar está disponível e documentado. Prometer resultados sobre uma base de dados que ainda não existe é a forma mais comum de travar o desenvolvimento a poucas semanas da entrega.

Temas de Segurança da Informação e Cibersegurança

Cibersegurança tem uma vantagem prática sobre outras áreas: a maioria dos temas pode ser testada em ambiente controlado, sem depender de acesso a sistemas de produção reais.

• Análise de vulnerabilidades em aplicações web com base no OWASP Top 10 — pentest estruturado em ambiente de laboratório controlado.
• Detecção de ransomware com machine learning — classificação de comportamento de arquivos suspeitos a partir de dataset público.
• Segurança em APIs REST — estudo comparativo de mecanismos de autenticação (OAuth2, JWT).
• Engenharia social e phishing corporativo — estudo de caso sobre eficácia de treinamentos de conscientização.
• Criptografia pós-quântica — revisão sistemática de algoritmos candidatos ao novo padrão do NIST.
• Segurança em dispositivos IoT domésticos — análise de vulnerabilidades em protocolos de comunicação (MQTT, Zigbee).
• Forense digital em dispositivos móveis Android — estudo de metodologia de extração e preservação de evidências.
• Adequação técnica à LGPD em sistemas de informação legados — estudo de caso sobre ajustes necessários em um sistema real ou simulado.
• Segurança em containers e ambientes Docker/Kubernetes — análise de vulnerabilidades comuns em imagens públicas.
• Sistemas híbridos de detecção de intrusão (assinatura + anomalia) — comparação de desempenho entre as duas abordagens.
• Mitigação de ataques de negação de serviço distribuído (DDoS) — mapeamento de estratégias em ambientes de nuvem.
• Autenticação multifator: usabilidade versus segurança — estudo comparativo entre biometria, token e SMS.
• Vulnerabilidades em contratos inteligentes (smart contracts) — análise de falhas conhecidas em blockchain.
• Viabilidade de Zero Trust Architecture em pequenas empresas — estudo de implementação em infraestrutura de pequeno porte.
• Privacidade diferencial em bases de dados públicas — aplicação prática de técnicas de anonimização de dados sensíveis.

Em temas de segurança, delimite desde o início se o TCC vai simular o ataque em laboratório próprio ou apenas analisar casos documentados publicamente. Misturar os dois formatos no meio do desenvolvimento é uma das causas mais comuns de retrabalho nessa área.

Temas de Engenharia de Software e Qualidade

Engenharia de software é a área mais generosa para quem prefere temas de gestão e processo em vez de implementação pesada — muitos recortes aqui funcionam com estudo de caso ou pesquisa qualitativa.

• Adaptação do Scrum para equipes remotas — estudo de caso sobre práticas ágeis em times distribuídos.
• Débito técnico em projetos de software — mapeamento de causas e impacto na manutenibilidade de um sistema real.
• Estratégias de teste automatizado e cobertura de código — comparação entre frameworks de teste unitário.
• Microsserviços versus arquitetura monolítica — estudo comparativo de desempenho e complexidade de manutenção.
• Refatoração de código legado com padrões de projeto — estudo de caso de aplicação de design patterns.
• Métricas de complexidade ciclomática e qualidade de software — análise em repositórios open source.
• DevSecOps: integração de segurança no pipeline de desenvolvimento — estudo de caso de implementação em pipeline CI/CD.
• Técnicas de elicitação de requisitos em projetos ágeis — comparação entre user stories e casos de uso tradicionais.
• Impacto de ferramentas de IA generativa na produtividade de desenvolvedores — estudo exploratório com ferramentas de autocompletar código.
• Auditoria de acessibilidade digital (WCAG) em aplicações web — avaliação técnica de conformidade em sistema real.
• Clean Code e legibilidade: impacto na manutenção de software — estudo empírico em repositórios de código aberto.
• Estimativa de esforço: métodos tradicionais versus ágeis — comparação entre COCOMO e planning poker.
• Implementação de integração e entrega contínua (CI/CD) — estudo de caso em projeto acadêmico ou startup.
• Práticas de documentação técnica e impacto na produtividade de equipes — estudo de caso em equipe de desenvolvimento real.
• Engenharia de software para sistemas embarcados de missão crítica — mapeamento de normas e práticas aplicadas.

Temas de engenharia de software costumam ser subestimados por parecerem "menos técnicos" que IA ou segurança. Na prática, exigem tanto rigor metodológico quanto qualquer outro — a diferença é que o dado analisado é processo, não código sozinho.

Temas de Banco de Dados, Big Data e Ciência de Dados

Esta área concentra temas fortes para quem gosta de trabalhar com dados estruturados e já tem alguma familiaridade com SQL ou ferramentas de análise.

• NoSQL versus banco relacional em aplicações de alto volume — estudo comparativo de desempenho em cenário simulado.
• Data warehouse para tomada de decisão em pequenas empresas — estudo de caso de implementação.
• Processamento de big data com Apache Spark — estudo de desempenho em processamento distribuído.
• Maturidade de governança de dados em organizações — mapeamento de práticas em estudo de caso.
• Validação de qualidade de dados em pipelines de ETL — desenvolvimento de checklist aplicado a um cenário real.
• Visualização de dados para tomada de decisão — comparação entre Power BI, Tableau e bibliotecas Python.
• Bancos de dados vetoriais para aplicações de busca semântica — estudo exploratório de uso em sistemas de IA.
• Mineração de dados para previsão de vendas no varejo — modelo preditivo com dados históricos.
• Viabilidade de data lakes em ambientes de nuvem para PMEs — estudo de caso de custo e implementação.
• Análise de redes sociais com teoria dos grafos — estudo de caso sobre identificação de comunidades e influenciadores.
• Técnicas de balanceamento em dados desbalanceados — comparação entre SMOTE e undersampling em classificação.
• Anonimização de dados sensíveis em bases de saúde — estudo de técnicas aplicadas a dados reais ou simulados.
• Sistemas de recomendação baseados em grafos de conhecimento — estudo exploratório de aplicação prática.
• Otimização de consultas SQL em bancos de grande volume — análise comparativa de índices e planos de execução.
• Data storytelling em relatórios corporativos — estudo de caso sobre eficácia na comunicação de dados para não especialistas.

O quadro conceitual ajuda bastante nesta área — são muitos conceitos técnicos (ETL, data lake, governança, mineração) que precisam ficar claramente relacionados no referencial teórico antes de você começar a escrever o desenvolvimento.

Em temas de dados, o volume da base usada importa menos do que a documentação dela. Um dataset pequeno e bem documentado sustenta uma metodologia melhor do que um dataset enorme sem dicionário de dados.

Temas de Redes, Cloud Computing e DevOps

Infraestrutura é uma área menos explorada em TCCs de graduação, o que pode ser uma vantagem: menos concorrência de temas repetidos no acervo da sua instituição.

• Migração de infraestrutura on-premise para nuvem — estudo de caso de custo-benefício.
• Estratégias multi-cloud e risco de vendor lock-in — análise comparativa entre provedores de nuvem.
• Viabilidade de redes definidas por software (SDN) — estudo em ambiente corporativo simulado.
• Computação de borda (edge computing) aplicada a IoT — estudo de caso sobre redução de latência.
• Infraestrutura como código com Terraform — estudo de implementação e ganhos de produtividade.
• Monitoramento e observabilidade de sistemas distribuídos — comparação entre Prometheus e Grafana.
• Casos de uso de redes 5G em ambientes urbanos — estudo exploratório de aplicações de baixa latência.
• Escalabilidade de Kubernetes em ambientes de produção — estudo de caso de orquestração de containers.
• Serverless computing: vantagens e limitações práticas — estudo comparativo de custo e desempenho.
• Qualidade de serviço (QoS) em redes corporativas — estudo de caso de priorização de tráfego.
• Automação de infraestrutura com Ansible — estudo de caso de redução de tempo de provisionamento.
• Redes de sensores sem fio para monitoramento ambiental — estudo de aplicação prática.
• Planos de disaster recovery em ambientes de nuvem — estudo de caso de continuidade de negócios.
• FinOps: práticas de gestão de custos em nuvem — estudo exploratório de otimização de gastos.
• Computação confidencial e proteção de dados em uso — revisão sistemática de tecnologias emergentes na área.

Temas de infraestrutura pedem cautela com o escopo do experimento: simular uma rede corporativa inteira em ambiente acadêmico raramente é viável. Recorte para um componente específico — um protocolo, uma métrica, um cenário de falha — e aprofunde nele.

Temas de Desenvolvimento Web, Mobile e Experiência do Usuário

Esta área combina bem técnica e usuário final, o que facilita defender a relevância prática do tema perante a banca.

• Progressive Web Apps (PWA) versus aplicativos nativos — estudo comparativo de desempenho e experiência do usuário.
• Acessibilidade em aplicativos móveis para pessoas com deficiência visual — estudo de caso de implementação de leitores de tela.
• Frameworks JavaScript modernos: curva de aprendizado e desempenho — estudo comparativo entre React, Vue e Angular.
• Design responsivo em múltiplos dispositivos — estudo de caso de redesenho de interface existente.
• Realidade aumentada em aplicativos educacionais — protótipo funcional com avaliação de usabilidade.
• Testes de usabilidade em interfaces mobile — aplicação de metodologia de teste com usuários reais.
• Desempenho de aplicativos híbridos com Flutter comparado a nativo — estudo de caso técnico.
• Gamificação em aplicações educacionais — estudo de caso sobre impacto no engajamento do usuário.
• Design system e consistência visual em produtos digitais — estudo de caso de implementação em equipe de desenvolvimento.
• Interfaces de voz e assistentes virtuais em atendimento ao cliente — estudo exploratório de aplicação prática.
• Otimização de performance web com base em Core Web Vitals — auditoria técnica de um site real.
• Taxa de abandono de carrinho e experiência de checkout em e-commerce — estudo de caso.
• Autenticação biométrica em aplicativos móveis — estudo comparativo de métodos e percepção de segurança pelo usuário.
• Viabilidade de plataformas low-code/no-code em aplicações corporativas — estudo exploratório de limitações práticas.
• Aplicações web offline-first e sincronização de dados — estudo de caso em cenário de conectividade instável.

Temas desta área ganham força quando incluem um teste com usuários reais, mesmo que em pequena escala. Cinco a dez participantes já dão material qualitativo suficiente para sustentar uma análise consistente em nível de TCC.

Temas emergentes para 2026: IA agêntica, computação quântica e ética em IA

Temas emergentes rendem bons pontos com a banca por mostrarem atualização, mas cobram um preço: menos artigos publicados, menos consenso metodológico e, em alguns casos, tecnologia ainda em fase experimental. Vale escolher um tema desta seção só se você tiver disposição para pesquisar em inglês e em fontes primárias, não apenas em blogs de tecnologia.

Um levantamento da Rede Nacional de Ensino e Pesquisa sobre tendências de pesquisa em tecnologia aponta inteligência artificial aplicada, cibersegurança e computação quântica entre as áreas de maior ascensão para 2026 — mas a própria fonte reconhece que a computação quântica ainda tem aplicação prática restrita a nichos de pesquisa avançada, o que significa literatura ainda concentrada em periódicos especializados e pouco traduzida para o português (RNP).

• IA agêntica aplicada à automação de processos empresariais — estudo exploratório; literatura consolidada ainda escassa, priorize artigos de 2025 em diante.
• Algoritmos de computação quântica para otimização combinatória — revisão teórica, já que a aplicação prática segue restrita a ambientes de pesquisa.
• Viabilidade de migração para criptografia pós-quântica em sistemas de pagamento — estudo exploratório de impacto e custo de adoção.
• Frameworks regulatórios emergentes para IA generativa — análise comparativa de propostas de governança, incluindo debates em curso no Brasil.
• Gêmeos digitais (digital twins) para manutenção preditiva — estudo de caso em ambiente simulado, dada a escassez de dados reais acessíveis.
• IA multimodal: integração de texto, imagem e áudio — estudo exploratório de aplicação em um domínio específico.
• Eficiência energética e sustentabilidade em data centers — estudo de caso de práticas de computação verde.
• Modelos de linguagem de pequeno porte (SLMs) para dispositivos embarcados — estudo comparativo de desempenho frente a modelos maiores.
• Interoperabilidade entre sistemas de IA e infraestrutura corporativa legada — estudo de caso de integração.
• Auditoria e explicabilidade de decisões automatizadas em setores regulados — estudo de framework aplicado a um setor específico, como financeiro ou saúde.

O localizador de repositórios e periódicos acadêmicos ajuda a cruzar várias bases de uma vez, o que economiza tempo justamente nos temas em que a bibliografia está mais pulverizada.

Se você escolher um tema desta seção, busque diretamente em bases indexadas como o IEEE Xplore em vez de depender só de artigos em português. É onde a literatura técnica mais recente costuma ser publicada primeiro — geralmente um ou dois anos antes de aparecer em fontes secundárias no Brasil.

Conclusão

Mais de 100 temas é lista suficiente para não faltar opção, mas o tema mais forte não é o mais impressionante da lista — é o que você consegue sustentar com dados reais, metodologia clara e um orientador disposto a acompanhar o recorte escolhido. Escolha por viabilidade antes de escolher por ineditismo.

Depois de escolher, o próximo gargalo costuma ser transformar a ideia em problema de pesquisa e objetivos bem redigidos — vale revisitar as ferramentas de delimitação de tema e de objetivos citadas ao longo deste artigo para isso. Se, mesmo com a lista, a insegurança sobre a viabilidade do recorte continuar, orientação acadêmica especializada pode ajudar a validar o tema antes de levá-lo ao seu orientador oficial — evita perder tempo apresentando uma proposta que provavelmente vai voltar para ajuste.

Para explorar temas de outras áreas do curso, os artigos sobre temas de TCC aqui no blog cobrem opções além de Ciência da Computação.