Nous considérons des observations bruitées d'une distribution G dont le support est inconnu. Dans le modèle de déconvolution, il a récemment été démontré (2022) que, sous des hypothèses très faibles, il est possible de résoudre le problème de déconvolution sans connaître la distribution du bruit et sans aucun échantillon du bruit. Dans ce même modèle, Nous nous intéréssons à estimer la distribution G et son support. Nous commençons par définir les paramètres généraux dans lesquels la théorie s'applique et présentons des classes de supports pouvant être récupérées dans ce contexte. Nous exposons ensuite des classes de distributions pour lesquelles nous prouvons des vitesses minimax adaptatifs (jusqu'à un facteur log log) pour l'estimation du support en distance de Hausdorff. De plus, pour la classe de distributions à support compact, nous fournissons des estimateurs de la distribution inconnue (généralement singulière) et prouvons des vitesses maximums en distance de Wasserstein. Nous démontrons également une borne inférieure presque correspondante sur le risque minimax associé.