Cet article présente DeepCOPD, une approche innovante d'apprentissage profond pour la détection précise de la maladie pulmonaire obstructive chronique (MPOC) à l'aide de l'analyse des sons respiratoires. L'approche proposée utilise un modèle de réseau neuronal convolutif (CNN) entraîné sur une base de données de sons respiratoires contenant des sifflements, des craquements et à la fois des craquements et des sifflements. Pour surmonter le défi que représente un petit ensemble de données, des techniques innovantes telles que le réglage fin spécifique à l'appareil, l'augmentation basée sur la concaténation, l'écrêtage des régions vierges et le rembourrage intelligent sont employées. Ces techniques permettent une utilisation efficace de l'ensemble de données, ce qui se traduit par une précision impressionnante de 90 à 95 %. La mise en œuvre comprend une application avec une interface conviviale développée à l'aide de HTML, CSS, Flask et Heroku. En s'appuyant sur l'apprentissage profond et l'analyse des bruits respiratoires, l'application offre une solution prometteuse pour la détection précise de la BPCO, apportant des avancées significatives dans la surveillance de la santé respiratoire. Les utilisateurs peuvent télécharger des sons respiratoires dans l'application pour la détection de la BPCO, améliorant ainsi le diagnostic précoce et les résultats pour les patients.