La mise en oeuvre d'un filtre de Kalman repose sur des hypothèses fortes sur le processus générateur et le bruit d'observation du système. En effet, ils doivent être tous les deux blancs et gaussiens et leurs variances connues a priori. De plus, les incertitudes liées à la modélisation du système ne sont pas prises en compte dans la pratique. Pour ces deux raisons, nous proposons d'étudier l'apport des techniques d'estimation H∞ dans le contexte du rehaussement du signal de parole fondé sur un modèle AutoRégressif (AR). Ces approches, qui consistent à minimiser les effets des perturbations sur l'erreur d'estimation du signal dans le pire cas, sont a priori attrayantes car elles ne nécessitent aucune hypothèse statistique ni sur le processus générateur ni sur le bruit d'observation. En outre, comme la qualité perceptuelle du signal rehaussé dépend de l'étape d'estimation des paramètres AR, nous proposons ici une estimation conjointe du signal de parole et des paramètres AR. Plus particulièrement, un lissage H∞ de type retard fixe fournit une estimation du signal de parole à partir de la dernière estimation des paramètres AR, alors que les paramètres AR sont mis à jour avec un filtrage H∞ à partir de la dernière estimation lissée du signal de parole.