Die automatisierte Detektion adventitiver Lungengeräusche stellt eine herausfordernde Aufgabe dar, da diese Geräusche empfindlich gegenüber Störungen (Herzgeräusche, Bewegungsartefakte und akustische Hintergrundgeräusche) sind und die Unterscheidung zwischen den verschiedenen Kategorien oft subtil ist. In dieser Arbeit wird ein neuartiges Klassifikationsmodell für adventitive Lungengeräusche, das sogenannte LungRN+NL, vorgestellt, das im Vergleich zu unserer vorherigen Arbeit sowie zu aktuellen state-of-the-art-Modellen eine erhebliche Leistungssteigerung zeigt. Das neue Modell integriert Blöcke mit nicht-lokaler Relevanz in die Architektur von ResNet. Um das Problem der ungleichmäßigen Datenaufteilung zu bewältigen und die Robustheit des Modells zu erhöhen, wurde zudem die Mixup-Methode zur Datenaugmentation im Trainingsprozess eingesetzt. Das Modell wurde anhand des offiziellen ICBHI 2017-Challenge-Datensatzes und der dort vorgesehenen Evaluationsmethode implementiert und mit aktuellen state-of-the-art-Verfahren verglichen. Als Ergebnis erreichte LungRN+NL eine Leistungsscore von 52,26 %, was einer Verbesserung um 2,1 bis 12,7 % gegenüber den besten bisherigen Modellen entspricht.