Strukturell avbildning med ultraljud kan användas för att upptäcka sjukdomar och störningar i kroppen. För att ställa tillförlitliga diagnoser räcker det inte alltid med en strukturell avbildning utan ibland krävs det även fysiologisk information. Vid användning av funktionell avbildning med ultraljud kan den informationen mätas i kroppens olika fysiologiska system.   Systemen består av funktionellt olika enheter och kallas för motoriska enheter i skelettmuskulatur. Vid sjukdomar som ateroskleros (åderförkalkning) kan dessa enheter vara så kallade kärlplack, som består av vävnad med varierande egenskaper och medicinsk relevans. Möjligheten att kunna analysera funktionella enheter i system som dessa kan bidra mycket till diagnostisering av sjukdomar och störningar.   Den här studien presenterar en metod för att hitta naturliga kluster av funktionella enheter i skelettmuskulatur, från 3D-data inhämtat med ultraljudssekvenser.   I studien genererades syntetiska data från en modell som simulerar sekvenser av aktionspotentialer i kontraherande muskelvävnad. Datat bearbetades med förbehandlingar och klusteranalys och resultaten utvärderades med siluettkoefficienter. Kombinationer av fyra förbehandlingssätt och två klustringsalgoritmer jämförs i studien. Även tester på riktigt ultraljudsdata av muskelkontraktioner utfördes.   Den bästa kombinationen av förbehandling och klustringsalgoritm gav goda resultat och använder datanormalisering samt temporal bandpassfiltrering som förbehandling tillsammans med hierarkisk Complete Linkage-klustring. Den var dessutom relativt okänslig för störningar i datat. Resultaten från riktigt ultraljudsdata gav en grov indelning av områden i muskeln som visuellt överensstämmer med anatomin i den strukturella bilden. / Structural imaging using ultra sound can be used to detect diseases and disorders in the body. It’s not always enough to structurally image these detections for accurate diagnosis, sometimes physiologically functional information is needed. By using functional imaging, this information can be measured in various physiological systems throughout the body.   The systems are built up by functionally different units. In skeletal muscle these units are called motor units and in cases of disease, like atherosclerosis, they can be arterial plack. The placks have a tissue composition of various properties and clinical relevance. If functional units could be analyzed in systems like these, much could be contributed to diagnosis of diseases and disorders.   In this study, a method of detecting natural clusters of functional units in skeletal muscle, using 3D data collected from ultrasound sequences, is presented.   Using a model that simulates a series of actions potentials in contracting muscle tissue, synthetic data was generated. During analysis the data was preprocessed and clustered, the results were analyzed using silhouette coefficients. In this study, combinations of four methods of preprocessing and two clustering algorithms are compared. Real ultrasound data of contracting muscle tissue was also examined.   A combination of preprocessing and clustering that clustered the data particularly well used data normalization and temporal passband filtering for preprocessing together with hierarchical Complete Linkage clustering. It also seemed to be relatively unaffected by noise. Clustering of the real ultrasound data resulted in a coarse sorting of the different areas of the muscle that corresponds to the anatomy seen in structural images.