A classe dos modelos elípticos multiníveis tem sido amplamente utilizada na modelagem de dados que apresentam estrutura de hierarquia. Esta classe propõe o uso de distribuições de probabilidade pertencentes à classe elíptica, que envolve todas as distribuições simétricas contínuas, sendo a normal um caso particular. O principal objetivo da presente dissertação é o desenvolvimento de técnicas de diagnóstico, mais especificamente a análise de influência local via curvatura normal para os modelos elípticos multiníveis. Para tanto, quatro esquemas de perturbação são considerados: perturbação de casos, perturbação na matriz de variância e covariância, perturbação na resposta e perturbação na variável explicativa contínua. As técnicas desenvolvidas foram utilizadas segundo ajustes para dois conjuntos de dados reais, especificamente sob os modelos normal, t-Student e exponencial potência e os resultados obtidos foram discutidos. O modelo sob a distribuição t-Student se adequou melhor ao exemplo de dois níveis e a distribuição exponencial potência, com o exemplo de três níveis, conseguiu adequar-se de forma satisfatória ao conjunto de dados analisado. Podemos ver que os modelos elípticos multiníveis se mostram muito eficientes para a modelagem de dados com estrutura de hierarquia e com observações discrepantes.CAPESThe class of elliptical multilevel models has been widely used in data sets, which present some hierarchical structure. This class proposes the use of probability distributions in the elliptical class, which involves all symmetric continuous distributions, including the normal distribution as a particular case. The main objective of this dissertation is the development of diagnostic techniques, more specifically, the analysis of local influence via normal curvature in the elliptical multilevel models. Therefore, four perturbation schemes are considered: case-weight perturbation, scale matrix perturbation, response variable and continuous explanatory variable perturbation. The techniques developed were used according to fit two real datasets, specifically under models normal, Student-t and exponential power models. The model under the t-Student distribution was better suited to the two-level example and the exponential power distribution, with the three-level example, was able to satisfactorily fit the data set analyzed. We can see that multilevel elliptical models are very efficient for hierarchical structure data modeling with discrepant observations.