随着低成本和易于操作的深度相机的繁荣,基于骨架的人体动作识别近来得到了广泛的研究。 但是,大多数现有方法都部分认为人体骨骼的所有3D关节都是相同的。 实际上,这些3D关节对不同的动作类别表现出不同的响应,并且某些关节配置对于区分特定动作更具区分性。 在本文中,我们提出了一种判别性的多实例多任务学习(MIMTL)框架,以发现关节配置与动作类之间的内在联系。 首先,通过将动作和关节配置分别视为包及其实例,在多实例学习模型中捕获了对应动作类的一组判别性和信息性关节配置。 然后,利用具有组结构约束的多任务学习模型,进一步揭示了关节构型与不同动作类别之间的内在联系。 我们使用三个基准3D动作识别数据集对MIMTL进行了广泛的评估。 实验结果表明,与几种最新方法相比,我们提出的MIMTL框架具有良好的性能。