背景与目的：在现代医院中，代码分配在多个层面都至关重要，从确保准确的计费流程到创建有效的患者护理历史记录。然而，编码过程既繁琐又主观，需要经过广泛培训的医疗编码员。本研究旨在评估基于深度学习的系统自动将临床笔记映射到国际疾病分类第9版（ICD-9）医学代码的性能。方法：本研究的评估重点在于无需手动定义规则的端到端学习方法。传统机器学习算法以及最先进的深度学习方法，如循环神经网络（Recurrent Neural Networks, RNN）和卷积神经网络（Convolutional Neural Networks, CNN），被应用于重症监护医疗信息库（Medical Information Mart for Intensive Care, MIMIC-III）数据集。对测试算法的不同设置进行了大量实验。结果：研究表明，基于深度学习的方法优于其他传统的机器学习方法。根据我们的评估，最佳模型能够以0.6957的F1值和0.8967的准确率预测前10位ICD-9代码，并能以0.7233的F1值和0.8588的准确率估计前10位ICD-9类别。在某些评估指标下，我们的实现也优于现有工作。结论：在评估MIMIC-III数据集上的ICD-9代码分配性能时，使用了一套标准指标。所有开发的评估工具和资源均可在线获取，可作为进一步研究的基准。