Die Bewertung des Schweregrads von Akne ist ein entscheidender Schritt für eine korrekte Diagnose und die Entwicklung individualisierter Therapien. Sie erfolgt hauptsächlich auf zwei Arten: anhand von Kriterien basierter Läsionszählung und auf der Grundlage erfahrungsbasierter globaler Schätzung. In dieser Arbeit wird die globale Einschätzung des Schweregrads von Akne mithilfe von Faltungsneuralen Netzen (CNNs) untersucht, und es wird ein einheitlicher Bewertungsrahmen vorgeschlagen, der zur Diagnose unter Berücksichtigung verschiedener Bewertungskriterien geeignet ist. Zunächst wird eine adaptive Bildvorverarbeitungsmethode vorgestellt, die effizient Hintergrundrauschen reduziert und die Hautinformationen hervorhebt. Anschließend wird eine innovative CNN-Architektur, SFNet, vorgestellt, die lokale Hautmerkmale mit globalen Merkmalen fusioniert, um die Wahrnehmung der Farbunterschiede zwischen Haut und Läsion effektiv zu verbessern. Der vorgeschlagene Rahmen wird an zwei Datensätzen mit unterschiedlichen Akne-Bewertungskriterien evaluiert. Die experimentellen Ergebnisse zeigen, dass die Genauigkeit des vorgeschlagenen Rahmens 84,52 % erreicht – damit übertrifft er die aktuell besten Methoden um 1,7 Prozentpunkte und erreicht die diagnostische Qualität eines erfahrenen Dermatologen.