异常肺音听诊识别是儿童支气管肺部疾病诊断的一种重要手段。本文针对儿童异常肺音分类研究常用的声谱图图像识别方法计算资源大、识别率不高等问题，提出了一种结合MFCC(mel-scale　frequency　cepstral　coefficients)特征、卷积神经网络(convolutional　neural　network，CNN)与双向长短时记忆网络(bidirectional　long　short-term　memory，BiLSTM)的混合模型，用于儿童异常肺音的分类方法。该方法通过CNN对MFCC特征进行空间特性提取，利用BiLSTM对MFCC音频特征进行时序特性提取，建立了BCNnet(bilstm　cnn　network)模型。本文收集并建立了一个儿童肺音数据集，在该数据集上，本文的方法平均准确率可达75.3%，较之于以声谱图为输入的CNN(parallel-pooling)模型，准确率提高了3.7%，在模型大小和识别速度上均有改善。