Die automatische Erkennung adventitiver Atemgeräusche stellt in den letzten Jahren weiterhin eine herausfordernde Aufgabe dar. Um dieser Herausforderung zu begegnen, schlagen wir ein Klassifizierungsnetzwerk für adventitive Atemgeräusche (ARSC-Net) vor, das einen Residual-Block mit kanal- und raumbezogener Aufmerksamkeit kombiniert, um eine präzise Klassifizierung zu ermöglichen. Konkret extrahieren wir zwei Arten von Merkmalen aus adventitiven Atemgeräuschen: Mel-Frequenz-Cepstrum-Koeffizienten (MFCCs) und Mel-Spektrogramme. Diese beiden Merkmalsarten werden in parallele Encoder-Pfade mit Residual-Aufmerksamkeit eingespeist, um Merkmalsdarstellungen zu extrahieren, die anschließend in einem kanal- und raumbezogenen Aufmerksamkeitsmodul fusioniert werden, um adaptiv auf bedeutende Merkmale sowohl im kanal- als auch im raumlichen Bereich für die Klassifizierungsaufgabe zu fokussieren. Darüber hinaus verbessert das kanal- und raumbezogene Aufmerksamkeitsmodul die Merkmalsdarstellung: Die kanalbezogene Aufmerksamkeit analysiert die Beziehungen zwischen den Kanälen der Spektrogramme, während die raumbezogene Aufmerksamkeit sequenziell die räumlichen Korrelationen innerhalb der Spektrogramme erzeugt. Wir evaluieren unsere vorgeschlagene Methode anhand der ICBHI 2017-Datenbank. Die experimentellen Ergebnisse zeigen, dass unsere Methode eine vielversprechende Vorhersageleistung erzielt: Bei der Unterscheidung zwischen normalen und abnormalen Atemgeräuschen erreicht sie eine Genauigkeit von 80,0 %, und bei der Differenzierung zwischen Rasseln und Pfeifen eine Genauigkeit von 92,4 %. Zudem erzielt unsere Methode bei der vierklassigen Klassifizierung adventitiver Geräusche einen Score von 56,76 % und übertrifft mehrere state-of-the-art-Verfahren.