Dans cet article, nous proposons une méthode pour l'interprétation des mouvements d'un humain en temps réel, en s'appuyant sur des données fournies par une étape de capture (MoCap). Nous nous basons sur le paradigme examplars-based afin d'apprendre des actions à l'aide d'un représentant unique. Nous avons formalisé le concept de flux d'actions reconnaissables - provenant d'un système de capture de mouvements temps réel - à l'aide d'un automate de mouvements. Cet automate est utilisé pour reconnaître les actions, ainsi que pour ajouter de nouvelles actions à la volée. La méthode proposée est linéaire et incrémentale. Elle permet une utilisation temps-réel du système. De plus, chaque action peut être reconnue en ligne et ne nécessite pas d'attendre la fin de l'action pour l'identifier. Des expérimentations sur des données synthétiques, provenant de la base de MoCap de CMU, complétées par des données réelles, issues du dispositif Kinect, montrent l'efficacité de notre méthode.