Die automatische Zuordnung von ICD-Codes (International Classification of Diseases), die den Patientenbesuchen Codes zuweist, hat aufgrund ihrer Zeit- und Arbeitsersparnis für die Abrechnung viel Forschungsinteresse auf sich gezogen. Das bisherige Standesmodell nutzte eine Faltungsschicht, um Dokumentdarstellungen zur Vorhersage von ICD-Codes zu erstellen. Allerdings variieren die Länge und Grammatik von Textfragmenten, die eng mit der ICD-Kodierung zusammenhängen, stark in verschiedenen Dokumenten. Daher ist eine flache und feste Faltungsschichtarchitektur möglicherweise nicht in der Lage, gute Dokumentdarstellungen zu lernen. In dieser Arbeit schlagen wir ein Multi-Filter Residual Convolutional Neural Network (MultiResCNN) für die ICD-Kodierung vor. Die Innovationen unseres Modells sind zweifach: es verwendet eine mehrfach gefilterte Faltungsschicht, um verschiedene Textmuster unterschiedlicher Längen zu erfassen, und eine residuale Faltungsschicht, um das Rezeptivfeld zu vergrößern. Wir haben die Effektivität unseres Modells anhand des weit verbreiteten MIMIC-Datensatzes evaluiert. Bei dem vollständigen Codebestand von MIMIC-III übertraf unser Modell das Standesmodell in 4 von 6 Bewertungskriterien. Bei den Top-50-Codes von MIMIC-III und dem vollständigen Codebestand von MIMIC-II übertraf unser Modell alle existierenden und standesgemäßen Modelle in allen Bewertungskriterien. Der Quellcode ist unter https://github.com/foxlf823/Multi-Filter-Residual-Convolutional-Neural-Network verfügbar.