L'identification automatique des sons respiratoires anormaux reste un défi important ces dernières années. Pour relever ce défi, nous proposons un réseau de classification des sons respiratoires anormaux (ARSC-Net), combinant un bloc résiduel avec une attention canal-espace afin d’assurer une classification précise. Plus précisément, deux types de caractéristiques sont extraits à partir des sons respiratoires anormaux : les coefficients cepstraux de fréquence mel (MFCC) et les mel-spectrogrammes. Ces deux types de caractéristiques sont introduits dans deux chemins d’encodage parallèles munis d’attention résiduelle pour extraire des représentations de caractéristiques, puis fusionnés dans un module d’attention canal-espace afin de focaliser de manière adaptative sur les éléments importants tant au niveau canal qu’au niveau spatial, dans le cadre de la tâche de classification. En outre, l’attention canal-espace améliore la représentation des caractéristiques : l’attention canal explore les relations inter-canaux des spectres, tandis que l’attention spatiale, appliquée de manière séquentielle, génère une cartographie des corrélations inter-spatiales. Nous évaluons notre méthode proposée sur la base de données ICBHI 2017. Les résultats expérimentaux montrent que notre approche atteint des performances prédictives encourageantes, avec une précision de 80,0 % pour distinguer les sons anormaux des sons normaux, et une précision de 92,4 % pour différencier les râles des sifflements. En outre, notre méthode obtient un score de 56,76 % pour la classification en quatre catégories des sons anormaux, surpassant ainsi plusieurs méthodes de pointe actuelles.