Die automatisierte Auskultation ist im medizinischen Bereich zu einem aktuellen Thema für diagnostische und prädiktive Analysen geworden. Ziel der automatisierten Auskultation ist die Verbesserung der Klassifizierung von Atemgeräuschen, die mit elektronischen Stethoskopen aufgezeichnet werden. Forscher haben erhebliche Anstrengungen unternommen, um intelligente Auskultationsmethoden zu entwickeln, um die Hörleistung zu verbessern und Kliniker zu unterstützen. Insbesondere haben in den letzten Jahren tiefgehende neuronale Netzwerke (Deep Neural Networks, DNN) Anwendung gefunden. Die Leistung von DNN-basierten Methoden ist stark datenabhängig. Leider verfügt selbst der derzeit größte öffentlich verfügbare Datensatz für Atemgeräusche, der ICBHI-Datensatz, nur über 6898 Atemzyklen mit einer Gesamtdauer von lediglich 5,5 Stunden – ein entscheidender Engpass für die weitere Verbesserung von DNN-Modellen. Daher schlagen wir eine Datenverstärkungsmethode für die Klassifikation von Atemgeräuschen vor, bei der Eingabetransformationen und -migrationen implementiert werden. Zudem wird in dieser Arbeit auch der klassische Pipeline-Ansatz, der üblicherweise im Bereich des maschinellen Sehens verwendet wird, verbessert. Experimentelle Ergebnisse zeigen, dass die vorgeschlagenen Methoden zur Datenverstärkung die Trennleistung im Vergleich zu Baseline-Methoden verbessern. Insbesondere lässt sich die vorgeschlagene Datenverstärkung problemlos in bestehende Ansätze zur automatisierten Auskultation integrieren.