Trotz der bemerkenswerten Fortschritte im Bereich der Tiefen Lerntechnologien bleibt die Erreichung zufriedenstellender Ergebnisse bei der Klassifizierung von Lungengeräuschen aufgrund der Knappheit verfügbaren Daten eine Herausforderung. Zudem werden die Atemgeräuschproben mit einer Vielzahl von elektronischen Stethoskopen aufgenommen, was möglicherweise Verzerrungen in den trainierten Modellen verursachen kann. Bei einem erheblichen Verteilungsunterschied innerhalb des Testdatensatzes oder in praktischen Szenarien kann dies die Leistung erheblich verringern. Um dieses Problem anzugehen, führen wir Techniken zur Cross-Domain-Adaptierung ein, die Wissen von einem Quellbereich auf einen anderen, unterschiedlichen Zielbereich übertragen. Insbesondere betrachten wir verschiedene Stethoskopmodelle als individuelle Bereiche und schlagen einen neuen, stethoskopgesteuerten überwachten kontrastiven Lernalgorithmus vor. Diese Methode kann domänenbezogene Unterschiede mildern und ermöglicht es dem Modell, Atemgeräusche trotz variierender Aufnahmeeigenschaften des Stethoskops zu unterscheiden. Die experimentellen Ergebnisse am ICBHI-Datensatz zeigen, dass die vorgeschlagenen Methoden effektiv sind, um die Domänenabhängigkeit zu reduzieren und einen ICBHI-Score von 61,71 % zu erreichen, was eine signifikante Verbesserung von 2,16 % gegenüber dem Baseline-Modell darstellt.