Die Erkennung menschlicher Aktionen bleibt eine herausfordernde Aufgabe, teilweise aufgrund großer Variabilität in der Ausführung von Aktionen. Um dieses Problem anzugehen, schlagen wir ein probabilistisches Modell namens Hierarchisches Dynamisches Modell (Hierarchical Dynamic Model, HDM) vor. Unter Ausnutzung eines Bayes-Rahmens werden die Modellparameter erlaubt, sich über verschiedene Datensequenzen hinweg zu verändern, wodurch die Anpassungsfähigkeit des Modells an intra-klassen-bedingte Variationen sowohl im räumlichen als auch im zeitlichen Bereich erhöht wird. Gleichzeitig ermöglicht der generative Lernprozess, dass das Modell die charakteristischen dynamischen Muster jeder Aktionsklasse bewahrt. Mittels Bayes-Inferenz können wir die Unsicherheit der Klassifikation quantifizieren und so wertvolle Einblicke in den Entscheidungsprozess gewinnen. Im Vergleich zu aktuellen State-of-the-Art-Verfahren erreicht unsere Methode nicht nur konkurrenzfähige Erkennungsergebnisse innerhalb einzelner Datensätze, sondern zeigt zudem eine bessere Generalisierbarkeit über verschiedene Datensätze hinweg. Experimente an Daten mit fehlenden Werten belegen zudem die Robustheit des vorgeschlagenen Ansatzes.