国际疾病分类（ICD）是全球健康统计与流行病学的基石，其作用是将各类健康状况转化为字母数字编码。由于人工编码工作繁重，且全球范围内医疗人员短缺，已有多种自动ICD编码方法被提出。然而，现有研究未能充分挖掘临床病历文本中的语篇结构信息，而这些信息对于准确分配编码具有丰富的上下文意义。本文通过引入章节类型分类与章节类型嵌入（section type embeddings），有效利用了临床文本的语篇结构。同时，针对类别不平衡问题以及临床病历与ICD编码定义之间写作风格异质性的挑战，本文提出了一种融合嵌入（reconciled embedding）方法，能够同时应对上述问题。在MIMIC数据集上的实验结果表明，所提模型显著优于以往所有最先进的方法。相关源代码已开源，地址为：https://github.com/discnet2022/discnet