室内动作识别在现代社会中扮演着重要角色，例如在大型移动方舱医院中的智能医疗应用。随着Kinect等深度传感器的广泛应用，融合骨骼关节点信息与RGB图像模态的多模态信息，为提升识别性能提供了极具前景的途径。然而，现有方法往往仅关注单一数据模态，或未能有效利用多模态数据的优势。为此，本文提出一种教师-学生多模态融合（Teacher-Student Multimodal Fusion, TSMF）模型，该模型在模型层面实现骨骼模态与RGB模态的深度融合，用于室内动作识别任务。在TSMF框架中，我们设计一个教师网络，将骨骼模态的结构化知识迁移至针对RGB模态的Student网络中。在两个基准数据集NTU RGB+D和PKU-MMD上的大量实验结果表明，所提出的TSMF模型在性能上始终优于当前最先进的单模态与多模态方法。实验结果还表明，该方法不仅能有效提升学生网络的识别准确率，还能显著增强集成模型的整体性能。