La evaluación de la acción y la retroalimentación pueden ayudar de manera efectiva a los profesionales de fitness a mejorar los beneficios del ejercicio. En este documento, abordamos los desafíos clave en el reconocimiento y evaluación de la acción humana proponiendo métodos innovadores que mejoran el rendimiento al tiempo que reducen la complejidad computacional. En primer lugar, presentamos Oct-MobileNet, una red de base ligera, para superar las limitaciones de la red VGG19 del algoritmo tradicional OpenPose, que presenta un gran tamaño de parámetros y altos requisitos de dispositivo. Oct-MobileNet emplea convolución en octava y mecanismos de atención para mejorar la extracción de características de alta frecuencia del contorno del cuerpo humano, lo que resulta en una mayor precisión con una carga computacional de modelo reducida. Además, introducimos un enfoque novedoso para el reconocimiento de acciones que combina información basada en esqueletos y fusión de múltiples características. Al extraer características geométricas espaciales y temporales de las acciones, empleamos un algoritmo de ventana deslizante para integrar estas características. Los resultados experimentales muestran la efectividad de nuestro enfoque, demostrando su capacidad para reconocer y clasificar con precisión diversas acciones humanas. Además, abordamos la evaluación de ejercicios de fitness tradicionales, centrándonos específicamente en los movimientos BaDunJin. Proponemos un método de evaluación basado en información multimodal que combina la detección de postura y el análisis de puntos clave. Las secuencias de etiquetas se obtienen a través de un detector de postura y las coordenadas de puntos clave de cada fotograma se representan como vectores de postura. Aprovechando la información multimodal, incluidas las secuencias de etiquetas y los vectores de postura, exploramos la similitud de acciones y realizamos evaluaciones cuantitativas para ayudar a los practicantes a evaluar la calidad de su rendimiento en el ejercicio.