Os sistemas de múltiplas antenas empregam diferentes técnicas de processamento de sinais em ambos extremos do sistema de comunicações para se beneficiar das múltiplas dimensões espaciais e transmitir para diversos usuarios usando os mesmos recursos de tempo e frequência. Desta forma, uma alta eficiência espectral pode ser atingida sem precisar de largura de banda extra. No entanto, o desempenho depende de uma estimativa do canal altamente precisa do lado do transmissor, a qual é denominada channel state information at the transmitter (CSIT). Se o valor estimado do canal for perfeito, o sistema consegue suprimir a interferência multiusuário (MUI), que é a principal responsável pela degradação do desempenho do sistema. Porém, supor uma estimativa perfeita é bastante otimista pois sistemas reais introduzem incerteza devido ao processo de estimação, a erros de quantização e a retardos próprios dos sistemas. Nesse contexto, a técnica conhecida como divisão de taxas ou rate splitting (RS) surge como uma ferramenta promissora para lidar com as imperfeições na estimativa do canal. RS divide os dados em um fluxo comum e vários fluxos privados e então sobrepõe o fluxo comum no topo dos fluxos privados. Esta tese propõe várias técnicas de processamento que aumentam ainda mais os benefícios dos sistemas RS. Neste trabalho, consideramos o downlink (DL) de um sistema de comunicações sem fio onde o transmissor envia mensagens independentes para cada usuário. A métrica usada para avaliar o desempenho do sistema é a soma das taxas ergódica (ESR). Diferente dos trabalhos convencionais em RS, consideramos que os terminais dos usuários estão equipados com múltiplas antenas. Isso nos permite implementar na recepção combinadores de fluxos que aumentem a taxa do fluxo comum. Aumentar esta taxa é um dos grandes problemas dos sistemas RS, uma vez que a taxa comum é limitada pelo pior usuário o que pode degradar fortemente o desempenho do sistema. Assim, três combinadores de fluxos diferentes são propostos e as expressões analíticas para calcular a soma das taxas são apresentadas. Os combinadores são derivados empregando-se os critérios Min-Max, MRC e MMSE. O critério Min-Max seleciona para cada usuário a melhor antena para decodificar o símbolo comum. O MRC visa maximizar o SNR ao decodificar o símbolo comum. Finalmente, o critério MMSE minimiza o quadrado da diferença entre o símbolo comum e o sinal recebido. Até o momento, RS foi considerado com precodificadores lineares. Devido a isto, neste trabalho investigamos o desempenho do RS com precodificadores não lineares. Para este fim, usamos diferentes tipos de precodificador Tomlinson-Harashima (THP) baseados nos precodificadores lineares ZF e MMSE. Em seguida, propomos um algoritmo multi-branch (MB) adequado para o RS-THP proposto. Este algoritmo cria vários padrões de transmissão e seleciona o melhor padrão para efetuar a transmissão. Esta técnica de préprocessamento aumentam ainda mais a soma das taxas obtida, uma vez que o desempenho do THP depende da ordem dos símbolos, porém também aumenta a complexidade computacional. Expressões analíticas para calcular a soma das taxas das técnicas propostas são derivadas por meio de análises estatísticas dos principais parâmetros. Finalmente, propomos quatro técnicas adaptativas diferentes de alocação de potência, as quais se caracterizam por sua baixa complexidade computacional. Duas destas técnicas são projetadas para sistemas SDMA convencionais, enquanto as outras duas são projetadas para sistemas RS. Um dos principais objetivos dos algoritmos propostos é realizar uma alocação de potência robusta capaz de lidar com os efeitos prejudicias das imperfeições no CSIT. É importante mencionar que a alocação de potência em sistemas RS é uma das tarefas mais importantes e deve ser realizada com extremo cuidado. Se a potência não for alocada corretamente, o desempenho do sistema RS será bastante degradado e as arquiteturas convencionais, como SDMA e NOMA, poderão ter um desempenho melhor. No entanto, a alocação de potência em sistemas RS precisa da solução de problemas complexos de otimização, o que aumenta o tempo gasto no processamento do sinal. Os algoritmos adaptativos propostos reduzem a complexidade computacional e são uma solução atrativa para aplicações práticas em sistemas de grande porte.