Die Segmentierung und Klassifizierung von Zellkernen in Hämatoxylin-Eosin (H&E) gefärbten Histologiebildern ist eine grundlegende Voraussetzung im digitalen Pathologie-Workflow. Die Entwicklung automatisierter Methoden für die Segmentierung und Klassifizierung von Zellkernen ermöglicht die quantitative Analyse von Tausenden von Kernen innerhalb eines ganzen Bilds der Pathologie, was wiederum Möglichkeiten zur weiteren Analyse der großflächigen Kernmorphometrie eröffnet. Allerdings steht die automatisierte Segmentierung und Klassifizierung von Zellkernen vor einer großen Herausforderung, da es verschiedene Arten von Kernen gibt, einige davon mit großer intraklassischer Variabilität, wie zum Beispiel Tumorzellen. Zudem sind manche Kerne oft zusammengeballt. Um diese Herausforderungen zu bewältigen, präsentieren wir ein neues konvolutionsbasiertes neuronales Netzwerk (CNN) für die gleichzeitige Segmentierung und Klassifizierung von Zellkernen, das die instanzreichen Informationen nutzt, die in den vertikalen und horizontalen Abständen der Kernpixel zu ihren Schwerpunkten kodiert sind. Diese Abstände werden dann genutzt, um zusammengeballte Kerne zu trennen, was zu einer genauen Segmentierung führt, insbesondere in Bereichen mit überlappenden Instanzen. Für jede segmentierte Instanz prognostiziert das Netzwerk anschließend den Kern-Typ durch einen dedizierten Upsampling-Zweig. Wir demonstrieren eine Spitzenleistung im Vergleich zu anderen Methoden auf mehreren unabhängigen multigeschichteten Histologiebild-Datensätzen. Im Rahmen dieser Arbeit stellen wir einen neuen Datensatz vor, der H&E-gefärbte Bildabschnitte von kolorektalem Adenokarzinom enthält. Dieser Datensatz umfasst 24.319 vollständig annotierte Kerne mit zugehörigen Klasse-Labels.