Cet article présente une approche simple fondée sur l’apprentissage temporel des trames informatives pour la reconnaissance d’actions. Nous proposons un scénario de sélection adaptative de trames sans entraînement, basé uniquement sur une technique de similarité au sein d’une fenêtre temporelle. La méthode proposée de sélection de trames offre une stratégie efficace pour capturer les trames les plus informatives et extraire des caractéristiques significatives. En outre, nous utilisons l’apprentissage par transfert pour l’extraction des caractéristiques spatiales, ainsi que des réseaux LSTM et GRU pour le modélisation temporelle. Notre méthode a été évaluée sur deux jeux de données populaires, UCF11 et KTH, et obtient des résultats satisfaisants.