Cette recherche se concentre sur le modèle de mélanges de localisation à l'échelle semi-paramétrique à deux composants, qui est une extension naturelle mais plus large du modèle à décalage de localisation, composé de cinq paramètres inconnus, à savoir la proportion de mélange, deux paramètres de localisation et deux paramètres d'échelle. Pour la grande classe des distributions de composants, appelées fonctions de base, qui sont symétriques autour de zéro avec un écart-type unitaire, nous avons prouvé l'identifiabilité du modèle. Après avoir récupéré la fonction de base, nous avons construit les estimateurs de distance minimale de Hellinger (MHDE) des paramètres inconnus. Ces estimateurs sont cohérents pour des conditions de régularité modérées, et l'estimation de la fonction de base converge dans la norme L1. Les performances en échantillon fini des MHDE, illustrées par des études de simulation et l'analyse de données réelles, ont montré que les MHDE que nous proposons offrent de très bons résultats par rapport aux méthodes largement utilisées pour les composantes normales ou à queue légère, tout en étant plus performants que ces méthodes pour les composantes à queue lourde.