تشخیص و بازنمایی اعمال انسان یکی از موضوعات مهم و چالش برانگیز در حوزه ی بینایی ماشین می باشد که دارای کاربردهای فراوانی همچون نظارت خودکار، تعامل انسان با کامپیوتر، جستجو در پایگاه های ویدیویی، برچسب زدن خودکار ویدیوها می باشد. بسیاری از اعمالی که توسط انسان انجام می شود از نظر الگوی حرکتی به هم شبیه می باشند و تفکیک و تشخیص آنها از هم در بسیاری از کاربردها داری اهمیت می باشد. بنابراین یکی از چالش های الگوریتم های تشخیص، تفکیک این گونه اعمال از همدیگر می باشد. هدف از این پژوهش ارائه ی روشی برای بهبود نرخ تشخیص اعمال انسان و به ویژه اعمال مشابه می باشد. رویکردهای پیشنهادی در این پژوهش را می توان از دو جنبه ی الگوریتم تشخیص و روش های استخراج ویژگی بررسی نمود. رویکرد پیشنهادی برای بهبود نرخ تشخیص، ترکیب مفاهیم فازی در مدل مخفی مارکوف و ارائه ی روشی به نام مدل مخفی مارکوف فازی (fuzzy hmm) برای تشخیص اعمال انسان می باشد. در فاز ایجاد نمادهای مورد استفاده در مدل مخفی مارکوف کلاسیک، از خوشه بندی بردارهای ویژگی استفاده می شود و هر بردار ویژگی به یک خوشه تعلق پیدا می کند. اما در فاز نمادسازی مدل مخفی مارکوف فازی هر بردار ویژگی با تخصیص یک درجه ی تعلق فازی به تمام خوشه ها تعلق پیدا می کند. این امر باعث می شود که قدرت این روش در تشخیص اعمال مشابه از مدل مخفی مارکوف بیشتر باشد. برای توصیف شخص انجام دهنده ی یک عمل نیز از دو ویژگی اسکلتی و فضایی-زمانی استفاده شده است. ویژگی اسکلتی قبلاً در تشخیص اعمال استفاده شده است، اما با تغییراتی که در اینجا در نحوه ی تشکیل بردار ویژگی انجام شده است، زمان لازم برای مقایسه ی دو بردار ویژگی از این نوع به مقدار قابل توجهی کاهش پیدا کرده است. همچنین در این پژوهش از ویژگی های فضایی-زمانی که تاکنون به همراه دسته بندهایی غیر ترتیبی مثل ماشین بردار پشتیبان و k-نزدیکترین همسایه استفاده شده است به عنوان ویژگی برای مدل مارکوف مخفی فازی که روشی ترتیبی می باشد، استفاده شده است. ارزیابی روش های پیشنهادی بر روی دو مجموعه داده ای weizmann و kth انجام شده است و نرخ تشخیص بدست آمده برای این مجموعه داده ها به ترتیب 89/98% و 96/91% می باشد. این نتایج موفقیت این الگوریتم در تشخیص اعمال مشابه را نشان می دهد.