自动化的细胞核分割与分类是分析和理解细胞特征及其功能的关键，为计算机辅助数字病理学在疾病诊断中的应用提供了重要支持。然而，由于不同类型细胞核在大小、亮度及形态上存在固有的差异，该任务仍面临显著挑战。为此，本文提出一种自引导序数回归神经网络，实现细胞核的同步分割与分类，能够有效利用细胞核的内在特征，并在训练过程中重点关注不确定性较高的区域。所提出的网络通过引入距离递减离散化策略，将细胞核分割问题建模为序数回归学习任务。该策略将细胞核划分为不同层级：内部区域（呈现规则形状）与外部区域（呈现不规则形状）被有效分离，从而更精准地捕捉细胞核的空间结构特征。此外，网络还采用自引导训练策略，根据网络自身对像素难度的评估，自适应地调整与细胞核像素相关的权重，使模型在训练过程中更加关注难以分辨的复杂区域。为全面评估所提网络的性能，我们使用包含276,349个逐个标注细胞核的大规模多组织数据集进行实验。结果表明，与近年来针对分割和/或分类任务所提出的多种方法相比，该方法在细胞核分割与分类两个方面均达到了当前最优的性能水平，显著提升了数字病理图像分析的准确性与可靠性。