Estimation au sens du maximum de vraisemblancedes directions d’arrivée et des délais de propagationdans un environnement à trajets multiples.

Dans cet memoire, on aborde le probleme de l’estimation conjointe des delais et des angles d’arrivee (JADE) dans un environnement a plusieurs reflexions avec un signal transmis connu a la reception. Dans notre etude, on se base sur le concept d’echantillonnage preferentiel ("importance sampling" ou IS) afin de developper un estimateur a maximum de vraisemblance ("maximum likelihood" ou ML). Contrairement a toutes les techniques existantes, l’estimateur ML propose est non-iteratif jouissant ainsi d’une optimalite globale. En plus, la technique proposee transforme le probleme d’optimisation multi-dimensionnel de depart en des sous-problemes bidimensionnels resultant ainsi en une reduction importante de la complexite de l’algorithme. D’autre part, en exploitant la nature sparse d’une pseudo-pdf proprement concue, nous proposons une nouvelle approche pour la detection du nombre de trajets, un autre parametre cle en communications sans-fil. Les simulations montrent un avantage significatif, en termes de performances et complexite, de notre nouvelle technique par rapport a plusieurs autres methodes les plus representatives de la litterature. Abstract In this work, we tackle the problem of joint angle and delays estimation (JADE) of multiple reflections of a known signal impinging on multiple receiving antennae. Based on the importance sampling (IS) concept, we propose a new non-iterative maximum likelihood (ML) estimator that enjoys guaranteed global optimality and enhanced super-resolution capabilities. The new ML approach succeeds in transforming the original multi-dimensional optimization problem into multiple two-dimensional ones resulting thereby in huge computational savings. Moreover, it does not suffer from the off-grid problems that are inherent to most existing JADE techniques. By exploiting the sparsity feature of a carefully designed pseudo-pdf that is intrinsic to the new estimator, we also propose a novel approach that enables the exact estimation of the unknown number of paths over a wide range of practical signal-tonoise ratios (SNRs). Computer simulations show the distinct advantage of the new ML estimator over state-of-the art JADE techniques both in terms of accuracy and complexity.