Resumo: A análise das imagens acústicas de poço tem como um de seus objetivos reconhecer e caracterizar fraturas naturais. A interpretação dessas imagens em conjunto com diversos outros dados e análises, oferecem um panorama para determinar a sua viabilidade de exploração de petróleo e gás em um reservatório. A grande quantidade de dados de umúnico poço faz com que a análise visual consuma tempo relevante de profissionais dá area. Neste contexto, para auxiliar o desenvolvimento de métodos de reconhecimentos de padrões automatizados ou supervisionados para fraturas, avaliamos a performance de 5 métodos de segmentação: Gradiente Direcional, K-means, Otsu, Niblack e filtro Entropia Local. Para uma análise consistente, construímos um simulador de imagens acústicas com fraturas sintéticas representando diversos níveis de complexidade e varrendo o espaço de parâmetros do nosso modelo. Avaliamos a performance utilizando o percentual de sobreposição e correlação entre a segmentação e a região da fratura definida pela simulação. Em imagens sem ajuste de contraste para correção de iluminação o método K-means apresentou o melhor desempenho. No entanto, com utilização do ajuste de contraste os resultados com Otsu foram semelhantes ao K-means. O teste de hipótese unilateralà esquerda, para hipótese nula da média de correlação superiorà 50 %, a hipótese não foi rejeitada apenas pelos métodos K-means e Otsu, com valores respectivos de p ∼ 0.60 e p ∼ 0.61 dentro do intervalo σ.Palavras chave: Detecção, Segmentação, Reconhecimento, Imagens Acústicas e Fraturas.Abstract: The recognition and characterization of natural fractures are one of the relevant tasks in the analysis of acoustic images of well profile. The interpretation of these images together with a number of other data provides an overview of the feasibility of exploring oil and gas in a reservoir. The large amount of data from a single well may take hours or days of work for experts. In this context, we evaluated the performance of 5 methods of segmentation: Directional Gradient, K-means, Otsu, Niblack and Local Entropy filter to aid in the development of methods of automated pattern recognition of fracture patterns. For a consistent analysis, we constructed a simulator of acoustic images with synthetic fractures representing several levels of complexity and sweeping the space of parameters of our model. We evaluated the performance using the percentage of overlap and correlation between the segmentation and the fracture region defined by the simulation. In images without contrast adjustment for lighting correction the K-means method presented the best performance. However, using contrast adjustment the results with Otsu were similar to K-means. The left tailed test, for null hypothesis of the correlation mean higher than 50 %, was not rejected only by the K-means and Otsu methods, with respective values of p ∼ 0.60 and p ∼ 0.61 within the range sigma.