Die Erkennung von Handaktionen ist ein Sonderfall der Aktionserkennung mit Anwendungen in der Mensch-Roboter-Interaktion, der virtuellen Realität oder Life-Logging-Systemen. Die Entwicklung von Aktionsklassifikatoren, die für solche heterogenen Aktionsdomänen funktionieren, stellt eine erhebliche Herausforderung dar. Zwischen verschiedenen Aktionen innerhalb einer gegebenen Anwendung bestehen oft nur sehr subtile Unterschiede, während zwischen Domänen – beispielsweise zwischen virtueller Realität und Life-Logging – große Variationen auftreten können. In dieser Arbeit wird ein neuartiges, auf Skelettdaten basierendes Modell zur Darstellung von Handbewegungen vorgestellt, das dieser Herausforderung begegnet. Der vorgeschlagene Ansatz ist unabhängig von der Anwendungsdomäne oder der Kameraperspektive. Bei der Klassifikation innerhalb einer einzelnen Domäne (intra-domänen Aktionsklassifikation) erzielt unsere Methode eine Leistung, die gleichwertig oder besser ist als die aktuell führenden Methoden auf etablierten Benchmarks für die Erkennung von Handaktionen. Und vor allem zeigt sich, dass unsere Methode auch bei der Erkennung von Handaktionen in Domänen und Kameraperspektiven, für die sie nicht trainiert wurde (cross-domänen Aktionsklassifikation), eine vergleichbare Leistung erreicht wie state-of-the-art-Methoden im intra-domänen Fall. Diese Experimente belegen die Robustheit und Generalisierungsfähigkeit unseres Ansatzes.