In diesem Paper verwenden wir vortrainierte ResNet-Modelle als Backbone-Architekturen zur Klassifikation von adventitären Atemgeräuschen und respiratorischen Erkrankungen. Das Wissen des vortrainierten Modells wird durch klassisches Fine-Tuning, Co-Tuning, stochastische Normalisierung sowie durch die Kombination der Co-Tuning- und der stochastischen Normalisierungstechniken übertragen. Zudem wird Datenaugmentation sowohl im Zeit- als auch im Zeit-Frequenz-Bereich eingesetzt, um die Klassenungleichgewichte in den ICBHI- und unserem mehrkanaligen Atemgeräusch-Datensatz zu berücksichtigen. Darüber hinaus wenden wir Spektrumskorrektur an, um die Variationen der Aufnahmegeräteeigenschaften im ICBHI-Datensatz zu berücksichtigen. Empirisch übertrifft unser vorgeschlagenes System die meisten aktuellen State-of-the-Art-Systeme zur Klassifikation adventärer Atemgeräusche und respiratorischer Erkrankungen sowohl für den ICBHI- als auch für unseren mehrkanaligen Datensatz.