人体动作识别仍是一项具有挑战性的任务，部分原因在于动作执行过程中存在较大的变化。为应对这一问题，本文提出一种称为分层动态模型（Hierarchical Dynamic Model, HDM）的 probabilistic 模型。该模型基于贝叶斯框架，允许模型参数在不同数据序列间变化，从而增强了模型在动作的空间与时间维度上对类内差异的适应能力。同时，生成式学习过程有助于模型保留各类动作特有的动态模式。通过贝叶斯推断，我们能够量化分类结果的不确定性，为决策过程提供可解释性洞察。与现有最先进方法相比，本方法不仅在单个数据集上实现了具有竞争力的识别性能，还在跨数据集场景下展现出更优的泛化能力。此外，在存在缺失值的数据集上进行的实验也验证了所提方法的鲁棒性。