人体活动识别（Human Activity Recognition, HAR）可采用多种类型的传感器，各类传感器各具优势与局限。单一传感器往往难以从其自身视角全面捕捉用户的运动信息，从而导致识别错误。尽管传感器融合技术可通过整合多源数据提升HAR性能，但其本身存在诸多固有缺陷，如用户隐私泄露风险、设备部署与维护成本高、系统复杂度大等问题。为应对上述挑战，本文提出一种名为“虚拟融合”（Virtual Fusion）的新方法：该方法在训练阶段利用多个时间同步传感器的未标注数据，而在推理阶段仅需使用单个传感器即可完成识别任务。通过引入对比学习（contrastive learning）机制，有效挖掘不同传感器之间的内在关联性。实验结果表明，虚拟融合方法在识别准确率上显著优于仅使用单一传感器的训练方式，且在某些场景下，其性能甚至超越了实际融合多个传感器的测试表现。此外，本文进一步将该方法推广为更具通用性的“虚拟融合中的实际融合”（Actual Fusion within Virtual Fusion, AFVF），在推理阶段可灵活选择部分训练阶段使用的传感器子集进行融合。所提方法在UCI-HAR与PAMAP2两个标准基准数据集上均取得了当前最优的识别准确率与F1分数。代码实现可应需求提供。