Nous proposons une nouvelle méthode de reconnaissance d’actions et de gestes fondée sur des descripteurs de covariance spatio-temporelle et une approche de projection localement préservant la structure riemannienne pondérée, qui prend en compte l’espace courbe formé par ces descripteurs. Cette projection pondérée est ensuite exploitée au cours du processus de boosting afin de concevoir un algorithme final de classification multiclasse qui met en œuvre les régions spatio-temporelles les plus pertinentes. Nous montrons également comment ces descripteurs peuvent être calculés de manière efficace grâce à l’utilisation de représentations vidéo intégrales. Des expériences menées sur les jeux de données UCF Sport, CK+ pour l’expression faciale et Cambridge pour les gestes manuels montrent que la méthode proposée obtient des performances supérieures par rapport à plusieurs techniques récentes de pointe. La méthode proposée est robuste et ne nécessite pas de traitement supplémentaire des vidéos, tel que la détection de la région d’intérêt (foreground), la détection de points d’intérêt ou le suivi.