El Reconocimiento de Actividad Humana (HAR) ha atraído recientemente la atención de los investigadores. El comportamiento humano y la intención humana están impulsando rápidamente la intensificación de la investigación en HAR. Este documento propone un novedoso marco de Red Neuronal Convolucional (CNN) basado en Mapeo de Historia de Movimiento (MHI) y Orientación para el reconocimiento y clasificación de acciones utilizando Aprendizaje Automático. El método propuesto extrae parches rectangulares orientados sobre todo el cuerpo humano para representar la postura humana en una secuencia de acción. Esta distribución se representa mediante un histograma espacialmente orientado. Los fotogramas fueron entrenados con un modelo de Red Neuronal Convolucional 3D, ahorrando así tiempo y aumentando la Tasa de Corrección de Clasificación (CCR). El algoritmo de Vecinos más Cercanos (KNN) se utiliza para la clasificación de acciones humanas. La singularidad de nuestro modelo radica en la combinación del enfoque de Mapeo de Historia de Movimiento con una CNN 3D basada en Orientación, mejorando así la precisión. Se demuestra que el método propuesto es efectivo utilizando cuatro conjuntos de datos ampliamente utilizados y desafiantes. Una comparación del rendimiento del método propuesto con los métodos actuales de vanguardia encuentra que su Tasa de Corrección de Clasificación es mayor que la de los métodos existentes. Las CCR de nuestro modelo son 92.91%, 98.88%, 87.97% y 87.77%, que son notablemente más altas que las técnicas existentes para los conjuntos de datos KTH, Weizmann, UT-Tower y YouTube, respectivamente. Por lo tanto, nuestro modelo supera significativamente a los modelos existentes en la literatura.