兽用B超图像的分割方法很多，其中区域生长法是常用的方法，其步骤和原理如下。

   兽用超声图像分割的区域生长方法是串行分割方法。串行分割方法的特征是将处理过程依次分解为多个步骤，其中后续步骤应根据先前步骤的结果确定治疗方案。兽用B超模式图像分割区域增长方法的基本思想是将具有相似属性的像素分组以形成区域。在此方法的最简单形式中，一种作为增长的起点，种子像素周围附近的像素具有与种子像素相同或相似的属性（根据某个预定的增长或相似性标准来确定固定）合并到种子像素所在的区域。将这些新像素视为新的种子像素，然后继续上述过程，直到包括所有符合条件的像素为止。这样，一个区域就会增长。

   兽用B超图像分割区域生长方法通常不单独使用，而是在一系列处理过程中使用，特别是用于描述小而简单的肿瘤和伤口。它的主要缺点是必须手动为每个需要提取的区域指定一个种子点，因此存在多个区域，必须指定相应数量的种子。该方法对噪声也非常敏感，噪声可能会导致孔甚至不连续的区域。相反，地方和大规模的影响将把最初分开的地区联系起来。

   分类器方法是一种统计模式识别方法，用于区分从已知的已标记兽医超声图像数据得出的特征空间。因为需要使用分类器方法已知的人工分割结果被用作训练样本，因此它是一种监督模式识别方法。聚类方法和分类器方法的基本原理大致相同，不同之处在于它不需要训练样本数据，因此它是一种无监督的模式识别方法。为了弥补训练数据的不足，聚类方法反复执行两项任务：B模式图像分割和雕刻。绘制每个类的特征，然后使用现有数据进行自我训练以达到分割的目的。

   人工神经网络方法：人工神经网络方法使用大量的并行神经网络来达到分割B型超声图像的目的。这些网络由模拟的生物学习机制组成网络中的每个节点都可以执行最基本的操作。通过调整节点之间的权重，网络可以学习生物学机制。

   主动轮廓模型方法（也称为变量模型方法）是一种用于兽用B超图像的基于模型的分割方法，该方法使用封闭的参数曲线或曲面描述边界。这个想法来自物理概念：为了描述对象的边界，首先建立一个初始曲面或离真实曲线或曲面不远的曲线。 在外力和内力的作用下，推动此曲面或曲线移动，最后在动物B超检查图像的最低能量点停止。活动轮廓模型被证明在兽用B超图像分割中非常成功。