近年来,新冠肺炎作为一种全球爆发的传染病,威胁着人们的生命健康。在抗击疫情中,基于胸部CT图像的计算机辅助诊断系统对新冠肺炎的快速诊断和评估至关重要,该系统的关键步骤是在CT图像上自动分割新冠肺炎病灶。新冠肺炎病灶的准确分割可以直接对病灶的位置、大小、纹理有清晰展示,有助于病情分析和医生诊疗。目前,大多数新冠肺炎病灶分割工作都基于监督方法开发,并且需要难以获得的大规模标注数据集,而基于无监督异常检测的方法仅使用易获取的正常数据（肺部健康者数据）便可以分割病灶。现有用于新冠肺炎病灶分割的一种无监督异常检测方法是基于重建误差框架提出的,由于框架本身的限制导致该方法十分依赖于重建图像的质量,且其不适用于高分辨率图像,整体性能较差。因此,本文研究并改进了一个知识蒸馏框架,该框架利用教师网络和学生网络的特征差异定位异常,取代了重建误差框架利用原图像和重建图像的图像差异定位异常的方式。具体来说,本文提出了一种适用于CT图像新冠肺炎病灶无监督分割的像素级和亲和级知识蒸馏算法。该算法首先通过构建和训练一个自编码器来获得具有丰富CT图像语义知识的预训练教师网络,然后通过从教师网络中仅蒸馏正常CT图像的知识来训练一个与教师网络架构相同的学生网络,最终利用教师和学生网络在含病灶图像上所提特征的差异进行病灶分割。针对不充分的知识蒸馏会影响学生网络学习正常图像的分布从而影响分割精度的问题,该方法除了使用普通的像素级蒸馏,还设计了考虑像素间关系的亲和力级蒸馏,以便充分蒸馏有效知识。为了验证本文提出的像素级和亲和力级知识蒸馏算法的有效性,本文在一个私有数据集和两个公开数据集上用三种评价指标进行评估。实验证明,在三个数据集上,本文算法比现有的其他无监督异常检测方法的最好AUROC指标提高2.31%、1.54%、2.69%,AUPRC指标提高14.84%、4.51%、15.14%,DSC指标提高18.23%、9.6%、14.9%,由此可见本文算法对病灶无监督分割的性能有较大提升。