This paper begins with a classification of power spectral estimates from the point of view of bank filter analysis. To reinforce the interest of such a classification, a review of the main and most familiar procedures for spectral estimation is included. Starting from the most general approach, due to Frost, we indicate why it is not appropriate to classify Capon's maximum likelihood method as a low resolution procedure. The second part of the paper deals with a modification of the so-called maximum likelihood estimate in order to obtain the resolution which corresponds to a power density estimate. The modification provided here consists in a bandwidth normalization. The resulting estimate shows how the area of application of ML filters (as the data depending filters reported some years ago by Capon and Lacoss could be named) is considerably extended to a reliable procedure for power level and power density level estimation. We also explain in this paper how to get cross-spectral estimates from ML filters. From our point of view, this approach is the only one, among currently reported methods, that enhances the adequate levels of quality in order to compete with classical Fourier analyzers. In addition, the interesting ideas of Pisarenko about power function estimates can also be applied to the new approach presented here. The resulting family of power function estimates can further improve resolution up to the quality provided by SVD like methods, but avoiding the computational burden associated with them. Dieser Beitrag beginnt mit einer Klassifikation von Power Spektrum Estimations Methoden, und dies vom Standpunkt der Filterbank Analyse aus. EinU¨berblick der wichtigsten Methoden wird gegeben. Beginnend mit der allgemeinen, von Frost gegebenen Methode zeigen wir dass es falsch ist, Capn's Methode als ungenau zu klassieren. Der zweite Teil zeigt eine Modifikation der Maximum Likelihood Methode um eine Genauigkeit zu erreichen die der Power Densita¨ts Methode entspricht. Die Modifikation ist eine Bandbreiten Normalisierung. Die Resultate zeigen dass ML Filter (wie man die von Capon und Lacoss eingefu¨hrten Filter nennen ko¨nnte) eine gute Methode fu¨r die spektrale Estimation sind. Wir zeigen auch wie man kross-spektrale Estimation mit den ML Filtern macht. Dies scheint die einzige kompetitive Methode gegenu¨ber der Fourier Methode zu sein. Die Pisarenko Methode kann auch hier angewendet werden. Die Genauigkeit wird somit noch erho¨ht. Sie wird damit mit der der SVD vergleichbar, jedoch, ohne deren rechnerischen hohen Aufwand. Cet article de´bute avec une classification des estimations de densite´spectrale de puissance du point de vue d'analyse par banc de filtres. Pour renforcer l'inte´reˆt d'une telle classification, une revue des proce´dures d'estimations spectrale les plus principales et les plus connues est inclue. Comman¸ant avec l'approche la plus ge´ne´rale duea`Frost, nous indiquons pourquoi il n'est pas approprie´de classer la me´thode de maximum de vraisemblance de Capon comme une proce´durea`faible re´solution. La deuxie`me partie de l'article s'occupe d'une modification de l'estimation dite de maximum de vraisemblance pour obtenir la re´solution qui corresponda`une estimation de densite´spectrale de puissance. La modification donne´e ici est une normalisation de largeur de bande. L'estimation resultante montre comment le domaine d'application des filtresa`maximum de vraisemblance (comme les filtres de´pendant des donne´es rapporte´quelques anne´es au paravant par Capon et Lacoss peuventeˆtre nomme´s) est conside´rablemente´tendua`un proce´dure fiable pour l'estimation au niveau de la puissance et au niveau de la densite´de puissance. Nous expliquons aussi dans cet article comment peut-on obtenir des estimations croise´es de spectresa`partir des filtresa`maximum de vraisemblance. De notre point de vue, cette approche est la seule, parmis les me´thodes rapporte´es re´cemment, qui ame´liore les niveaux ade´quats de qualite´poureˆtre compe´titif avec l'analyseur classique de Fourier. En plus, les ide´es inte´ressantes de Pisarenko pour les estimations des fonctions de puissance peuvent aussieˆtre applique´esa`la nouvelle approche pre´sente´e ici. La famille re´sultante des estimateurs de fonctions de puissance peuvent ame´liorer d'avantage la re´solution jusqu'a`la qualite´fournie par des me´thodes du type SVD maise´vitant la lourdeur de calcul associe´e avec elles.