Le Manifold Learning est un sous domaine populaire et en pleine expansion du Machine Learning, basé sur l'hypothèse que les données observées se situent sur une sous variété de faible dimension plongée dans un espace de plus grande dimension. Ici, nous supposerons observer des données bruitées \( (Y_i)_{1 \leq i \leq n} \) i.i.d dans \( \mathbb{R}^D \),  \( D>1 \), définie par \( Y_i = X_i + Z_i \) où le signal \( X \) a pour support une variété de dimension  \( 1 \leq d<D \), nous ne supposons rien sur le bruit \(Z\), mise à part que ses composantes sont indépendantes. La question que l'on se pose est : peut on retrouver le support de \(X\) ? Si oui, comment l'estimer ? Nous traiterons ces questions d'une part dans le cas où le support de \(X\) est une sphère de dimension \(D-1\), puis nous regarderons ce qu'il se passe quand le support est une variété plus générale. J'introduirais rapidement des travaux antérieurs en déconvolution aveugle qui nous permettront de définir des estimateurs et de trouver des taux de convergence.