Le classement du niveau de sévérité de l’acné constitue une étape essentielle pour établir un diagnostic précis et des traitements personnalisés. Ce classement est principalement réalisé selon deux approches : le dénombrement des lésions basé sur des critères définis, et l’estimation globale fondée sur l’expérience clinique. Dans ce travail, nous étudions le classement global de la sévérité de l’acné à l’aide de réseaux de neurones convolutifs (CNN), et proposons un cadre unifié de classification de l’acné capable de diagnostiquer selon différentes échelles de gravité. Premièrement, une méthode d’adaptation prétraitement d’images est introduite, permettant de réduire efficacement le bruit de fond tout en mettant en valeur les informations cutanées. Ensuite, une architecture innovante de CNN, nommée SFNet, est présentée ; elle fusionne les caractéristiques locales de la peau avec des caractéristiques globales afin d’améliorer efficacement la perception des différences de couleur entre la peau saine et les lésions. Le cadre proposé est validé sur deux jeux de données présentant des critères de classification de l’acné différents. Les résultats expérimentaux montrent que la précision du cadre proposé atteint 84,52 %, dépassant ainsi la méthode de l’état de l’art de 1,7 % et atteignant un niveau diagnostique équivalent à celui d’un dermatologue professionnel.