Cette thèse s'articule autour de deux thématiques principales. La première traite de l'analyse de performance dans les contextes des systèmes utilisant les séquences d'apprentissage et des systèmes multi-utilisateurs. En nous basant sur une analyse asymptotique, nous donnons des expressions explicites des taux d'erreur binaire et de la probabilité de coupure et nous montrons leur précision même pour des systèmes de dimensions réduites. La deuxième partie de cette thèse traite des méthodes d'estimation aveugle et semi-aveugle. Nos contributions se situent sur deux plans: algorithmique et théorique. Sur le plan algorithmique, nous proposons de nouvelles approches qui permettent de résoudre certains problèmes des méthodes conventionnelles telque la sensibilité à la surestimation de l'ordre pour les méthodes aveugles et la recherche du paramètre de régularisation pour les méthodes semi-aveugles. Sur le plan théorique, nous apportons la démonstration de la quasi-convexité de l'erreur asymptotique quadratique moyenne des systèmes semi-aveugle basé sur la régularisation. Nous menons aussi une étude théorique qui témoigne de l'efficacité de l'utilisation de la norme lp pour robustifier les méthodes aveugles.