La reconnaissance des actions humaines reste une tâche difficile, en partie en raison des grandes variations dans l’exécution des actions. Pour relever ce défi, nous proposons un modèle probabiliste appelé Modèle Dynamique Hiérarchique (HDM). En s’appuyant sur un cadre bayésien, ce modèle permet aux paramètres de varier entre différentes séquences de données, ce qui accroît sa capacité à s’adapter aux variations intra-classe tant sur le plan spatial que temporel. Par ailleurs, le processus d’apprentissage génératif permet au modèle de préserver les motifs dynamiques distinctifs propres à chaque classe d’action. Grâce à une inférence bayésienne, il devient possible de quantifier l’incertitude associée à la classification, offrant ainsi une meilleure compréhension du processus décisionnel. Comparé aux méthodes de pointe, notre approche atteint non seulement des performances compétitives sur chaque jeu de données individuel, mais démontre également une meilleure capacité de généralisation entre différents jeux de données. Des expériences menées sur des données incomplètes confirment également la robustesse de la méthode proposée.