Die präzise Beurteilung der Schweregrad von Hauterkrankungen spielt eine entscheidende Rolle für eine gezielte Therapie der Patienten. Akne vulgaris, die häufigste Hauterkrankung im Jugendalter, kann im medizinischen Bereich entweder auf der Grundlage evidenzbasierter Läsionszählung oder auf der Basis erfahrungsbasierter globaler Schätzung eingestuft werden. Aufgrund der äußerlichen Ähnlichkeit von Akne bei ähnlicher Schweregradstufe ist jedoch eine genaue Zählung und Einstufung der Akne herausfordernd. In diesem Artikel behandeln wir das Problem der Akne-Bildanalyse mittels Label Distribution Learning (LDL), wobei die unscharfe Information zwischen den Schweregraden der Akne berücksichtigt wird. Auf Basis der professionellen Einstufungskriterien generieren wir zwei Akne-Label-Verteilungen, die jeweils die Beziehung zwischen der ähnlichen Anzahl von Läsionen und der Schweregrad der Akne erfassen. Außerdem stellen wir einen einheitlichen Rahmen für die gleichzeitige Einstufung und Zählung von Akne-Bildern vor, der durch eine Multi-Task-Lernverlustfunktion optimiert wird. Darüber hinaus erstellen wir weiterhin die ACNE04-Datenbank mit Annotationen zur Akne-Schweregrad und zur Läsionsanzahl jedes Bildes zur Evaluierung. Experimente zeigen, dass unser vorgeschlagener Ansatz gegenüber aktuellen State-of-the-Art-Methoden überzeugt. Den Quellcode und die Datenbank stellen wir öffentlich unter https://github.com/xpwu95/ldl zur Verfügung.