L’auscultation des sons respiratoires constitue l’outil principal pour le dépistage et le diagnostic des maladies pulmonaires. L’analyse automatisée, combinée à des stéthoscopes numériques, peut jouer un rôle crucial dans le dépistage à distance des maladies pulmonaires graves. Les réseaux de neurones profonds (DNN) se sont révélés particulièrement prometteurs pour ces tâches, ce qui en fait un choix évident. Toutefois, les DNN sont extrêmement exigeants en données, et le plus grand jeu de données respiratoires disponible, l’ICBHI, ne comporte que 6 898 cycles respiratoires, une quantité encore insuffisante pour entraîner un modèle DNN satisfaisant. Dans ce travail, nous proposons RespireNet, un modèle basé sur un réseau de neurones convolutifs (CNN) simple, accompagné d’une série de techniques novatrices — ajustement fin spécifique au dispositif, augmentation par concaténation, découpage des régions vides et remplissage intelligent — permettant une utilisation efficace du jeu de données de petite taille. Nous menons une évaluation approfondie sur le jeu de données ICBHI et améliorons les résultats actuels de l’état de l’art pour la classification en 4 catégories de 2,2 %.