La détection automatisée des sons pulmonaires anormaux constitue une tâche difficile, en raison de la sensibilité de ces sons aux bruits environnants (battements cardiaques, artefacts de mouvement, bruits audio) ainsi que de la discrimination subtile entre différentes catégories. Dans ce travail, nous proposons un modèle de classification des sons pulmonaires anormaux, nommé LungRN+NL, qui a démontré une amélioration significative par rapport à nos travaux précédents ainsi qu’aux modèles les plus avancés de l’état de l’art. Ce nouveau modèle intègre un bloc non-local dans l’architecture ResNet. Pour atténuer le problème d’imbalanced data et renforcer la robustesse du modèle, nous avons également appliqué la méthode mixup afin d’enrichir le jeu de données d’entraînement. Notre modèle a été implémenté et comparé aux approches les plus récentes à l’aide du jeu de données officiel du défi ICBHI 2017 et selon la méthode d’évaluation proposée. Résultat : LungRN+NL a atteint un score de performance de 52,26 %, soit une amélioration de 2,1 à 12,7 % par rapport aux modèles d’état de l’art.