Predecir las categorías de acciones en videos parcialmente observados es una tarea desafiante en el campo de la visión por computadora. El progreso temporal de una acción en curso es de gran importancia para la predicción de acciones, ya que las acciones pueden presentar diferentes características en diferentes etapas temporales. Con este fin, proponemos un novedoso marco de bosque profundo de múltiples tareas, que trata el análisis del progreso temporal como una tarea relevante para la predicción de acciones y aprovecha las etiquetas de relación de observación de videos incompletos durante el entrenamiento. El bosque profundo de múltiples tareas propuesto es una estructura en cascada de bosques aleatorios y bosques aleatorios de múltiples tareas. A diferencia de los bosques aleatorios de tarea única tradicionales, los bosques aleatorios de múltiples tareas se construyen a partir de videos de entrenamiento incompletos anotados con etiquetas de acción así como etiquetas de progreso temporal. Mientras tanto, incorporar tanto bosques aleatorios como bosques aleatorios de múltiples tareas puede aumentar la diversidad de clasificadores y mejorar el poder discriminativo del bosque profundo de múltiples tareas. Los experimentos en los conjuntos de datos UT-Interaction y BIT-Interaction demuestran la efectividad del bosque profundo de múltiples tareas propuesto.