Constatada uma lacuna no campo da tradução audiovisual (TAV) em relação ao tratamento teórico da multiplicidade de elementos semióticos que caracteriza os produtos audiovisuais, esta dissertação busca um caminho teórico para discutir a interpretação de imagens visuais (imagens que se apresentam de forma visível e concreta, por meio de algum suporte material), articulando os conceitos de discurso multimodal e comunidades interpretativas. Parte-se do pressuposto de que textos podem ser compostos por diferentes recursos semióticos além da linguagem verbal, como imagens, música, dança etc., os quais interagem entre si sem que haja uma relação hierárquica entre eles. O foco é lançado sobre os usos que se fazem das imagens nas práticas sociais e discursivas contemporâneas, os diferentes formatos em que elas se apresentam e as maneiras como circulam na sociedade, ressaltando o papel central da visão. A imagem visual é discutida a partir da distinção entre visão como operação física/fisiológica e visualidade como determinações sociais e discursivas que regulam essa operação. Tal distinção não implica uma relação dicotômica, mas uma diferenciação entre o mecanismo e os dados da visão e regras socialmente compartilhadas para a interpretação desses dados.