Thiết bị quét hiển vi âm học hoạt động bằng cách tập trung sóng âm từ một đầu quét (transducer) tới một vị trị của đối tượng. Sóng âm khi chạm phải đối tượng hoặc sẽ bị tán xạ, bị hấp thụ, hoặc bị phản xạ (tán xạ với góc 180 độ) hoặc bị truyền qua (tán xạ với góc 0 độ). Những xung tán xạ này có thể được nhận biết theo một hướng cụ thể. Một xung được nhận biết thể hiện cho sự hiện diện của một lớp hoặc một đối tượng. Giá trị 'time of flight' của một xung được định nghĩa là khoảng thời gian mà một xung được tạo ra từ nguồn âm học, tán xạ bởi một đối tượng và được phát hiện bởi một đầu dò (thường thì đầu dò cũng là đầu quét - thiết bị này gọi là transducer). Giá trị 'time of flight' được dùng để xác định khoảng cách của một lớp tới đầu quét trong đó tốc độ của xung âm (trong một môi trường truyền dẫn - thông thường là nước) được cho trước.

Dựa vào kết quả đo lường, một giá trị sẽ được gán cho một vị trí cụ thể của đối tượng. Đầu quét (hoặc đối tượng) được di chuyển đều để có thể quét được toàn bộ đối tượng. Quy trình này được lặp đi lặp lại cho đến khi toàn bộ đối tượng đã được quét. Các giá trị của từng điểm sẽ ghép lại hình ảnh của đối tượng. Độ phản chiếu sẽ tùy thuộc vào vật liệu và đặc điểm hình học của đối tượng. Độ phân giải của hình ảnh phụ thuộc vào tần số âm học được tạo ra.