Dans [1], nous avons présenté une nouvelle méthode d'estimation multi-canal basée sur l'égalisation aveugle MMSE ZF (Minimum Mean Square Error Zero Forcing). Notre approche est liée à la méthode proposée par Tsatsanis et al. [5] qui correspond à une égalisation MMSE non biaisée. Nous interprétons cette approche en termes de prédiction linéaire bidirectionnelle, appelée smoothing" par Tong [8]. Nous établissons les liens existants entre les approches MMSE, MOE (Minimum Output Energy) et MMSE ZF, et nous prouvons l'équivalence entre eux sous la contrainte du non biais dans le cas sans bruit. Notre analyse indique comment appliquer de façon correcte le principe de Capon [4] pour la formation de voies LCMV (Linearly Constrained Minimum Variance) _a l'égalisation multi-canal. Nous démontrons aussi que l'application du principe de Capon dans la méthode de Tsatsanis et l'estimation du canal dans l'approche de Tong deviennent non biaisées uniquement à des hauts SNRs. Alors que le but est de faire MMSE ZF, il est plus facile mais équivalent d'aborder le probléme par UMMSE (Unbiased MMSE) appliqué sur la composante signal du signal reçu. Donc la matrice de covariance du signal reçu doit être débruitée" avant son utilisation dans la méthode d'estimation aveugle. Nous proposons une approche sans décomposition propre de la matrice de covariance qui présente des performances excellentes. En plus nous présentons une manière simple et efficace pour y incorporer la détection de l'ordre du canal. Les résultats de simulation sont présentés pour démontrer les performances des approches discutées
