国际疾病分类（ICD）是由世界卫生组织维护的对各类疾病编码的标准,它在协助医疗报销和报告病患健康情况等方面有着广泛的应用。根据国家相关规定,医院所有病人的电子病案首页都需要按照ICD标准进行编码。由于人工编码的低效率和低准确率,ICD编码的自动化一直是研究的热点。ICD自动编码的研究主要基于病案文本和基于出院诊断文本展开,本文研究内容属于后者。目前基于出院诊断文本的ICD自动编码问题的建模方法主要有两类:基于文本相似度的方法和文本分类的方法。它们在实际应用中存在一些突出问题:建立的ICD编码标签体系不完整,无法对所有疾病进行编码。ICD样本标签分布不均衡,对罕见病的编码准确率较低。医生书写诊断风格多样,模型整体性能较差。针对上述问题,本文提出了一种融合先验知识的FPK-Seq2Seq（Fusion Priori Knowledge based on Seq2Seq）模型,具体贡献如下:（1）将ICD自动编码问题建模成一种从医生诊断“翻译”成标准疾病诊断名称的任务,有效利用了ICD标准疾病诊断信息,并支持对所有疾病种类编码。实验结果表明,该建模方法相较于传统的建模方法在各项评价指标上均有显著提升。（2）在此建模方法下,针对基础Seq2Seq模型不可控的生成过程,提出了FPK-Seq2Seq模型。模型在解码阶段主动学习并利用先验知识去指导目标序列的生成过程,生成更加合理的文本。在模型的输出层使用了一种基于语义相似度的算法,提高了ICD编码的准确率。实验结果表明,FPK-Seq2Seq模型有效地缓解了数据不均衡对罕见病编码准确性的影响,宏平均F1达到了0.7388,并且在其他指标上也取得了良好的效果。此外,FPK-Seq2Seq模型还具有推理能力,能正确编码一些训练集中未出现过的ICD编码标签。（3）设计并实现了ICD自动编码系统,包括数据预处理、模型管理和ICD自动编码等模块。该系统可以对模型进行定期更新,不断提升模型的性能。综上所述,针对诊断的ICD自动编码问题,本文采用了基于“翻译”的新型建模思路,并提出了融合先验知识的FRK-Seq2Seq模型,实验结果表明,该模型具有良好的性能、泛化能力和扩展性,依据该模型设计实现了ICD自动编码系统。