近年来，由于智能手表和智能手机等可穿戴传感器的普及，以及深度学习方法的不断进步，人体活动识别（Human Activity Recognition, HAR）领域取得了大量研究成果。深度学习方法的优势在于无需人工从原始传感器信号中提取特征，从而显著降低了特征工程的复杂性。然而，将深度学习应用于HAR的一个显著缺点是其对人工标注训练数据的依赖，而这类标注数据在HAR数据集中尤其难以获取。目前，无监督学习方向的研究正逐步取得进展，其中深度HAR聚类模型成为重要研究方向。这类模型能够在未提供任何标签的情况下，自动为数据分配标签。然而，当前对深度HAR聚类模型的评估方法仍存在诸多问题，导致该领域的进展难以客观衡量，也制约了新方法的设计与改进。本文系统性地指出了当前深度HAR聚类模型评估中存在的若干关键问题，详细分析了这些问题的成因，并通过严谨的实验验证了它们对评估结果可能产生的显著影响。在此基础上，本文提出了相应的解决方案，并建议建立标准化的评估框架，以促进未来深度HAR聚类模型的公平比较与持续发展。此外，本文提出了一种新型的深度聚类模型用于HAR任务。在所建议的标准化评估设置下，该模型在性能上优于或至少与现有方法相当，同时具备更高的计算效率，并通过摒弃自编码器（autoencoder）结构，展现出更强的可扩展性，能够更有效地应对复杂度更高的数据集。