Ce papier aborde le problème de la reconnaissance d’actions humaines, défini comme la classification de l’action effectuée dans une séquence tronquée à partir de données squelettiques. Bien que les approches les plus avancées conçues pour cette application soient toutes supervisées, dans ce travail nous explorons une direction plus exigeante : résoudre ce problème par apprentissage non supervisé. À cette fin, nous proposons une nouvelle méthode de clustering par sous-espaces, qui exploite la matrice de covariance afin d’améliorer la discriminabilité des actions, ainsi qu’une stratégie d’élagage temporel (timestamp pruning) permettant une meilleure gestion de la dimension temporelle des données. À travers une validation expérimentale étendue, nous démontrons que notre chaîne de traitement computationnelle dépasse les approches non supervisées existantes, tout en pouvant atteindre des performances favorables comparées aux méthodes supervisées.