Die Erkennung von Mikroausdrücken ist ein wachsender Forschungsbereich aufgrund seiner Anwendung bei der Enthüllung subtiler Absichten von Menschen, besonders unter Bedingungen, bei denen viel auf dem Spiel steht. Mit der rasanten Zunahme von Sicherheitsproblemen auf der ganzen Welt hat die Verwendung von Mikroausdrücken, um den Geisteszustand einer Person zu verstehen, großes Interesse erlangt. Mikroausdrücke zeichnen sich durch kurze Dauer und geringe Intensität aus, daher haben Bemühungen, Menschen in ihrer Erkennung zu trainieren, zu sehr geringen Leistungen geführt. Die automatische Erkennung von Mikroausdrücken mit maschinellen Lernverfahren verspricht daher ein effektiveres Ergebnis und spart Zeit und Ressourcen. In dieser Studie untersuchen wir die Verwendung der Extreme Learning Machine (ELM) für die Erkennung von Mikroausdrücken aufgrund ihrer schnellen Lernfähigkeit und höheren Leistung im Vergleich zu anderen Modellen. Die Support Vector Machine (SVM) wird als Basismodell verwendet und ihre Erkennungsleistung sowie ihre Trainingszeit mit der ELM-Trainingszeit verglichen. Die Merkmalsextraktion wird auf Apex-Mikroexpressions-Frames unter Verwendung von Local Binary Pattern (LBP) und auf Mikroexpressions-Videos, die in Bildsequenzen unterteilt sind, unter Verwendung einer raum-zeitlichen Merkmalsextraktionstechnik namens Local Binary Pattern on Three Orthogonal Planes (LBP-TOP) durchgeführt. Die Evaluierung der beiden Modelle wird an spontanen Gesichtsmikroexpressionsproben durchgeführt, die von der Chinese Academy of Sciences (CASME II) erfasst wurden. Die Ergebnisse der Experimente zeigen, dass ELM eine höhere Erkennungsleistung als SVM in Bezug auf Genauigkeit, Präzision, Recall und F-Score erzielt, wenn temporale Merkmale verwendet werden. Der Vergleich der Trainingszeit zwischen SVM und ELM zeigt auch, dass ELM schneller lernt als SVM. Eine durchschnittliche Trainingszeit von 0,3405 Sekunden wird für SVM erreicht, während eine durchschnittliche Trainingszeit von 0,0409 Sekunden für ELM für die fünf ausgewählten Mikroausdrucksklassen erreicht wird. Diese Studie zeigt, dass die automatische Erkennung von Mikroausdrücken ein besseres Ergebnis liefert, wenn temporale Merkmale und ein maschineller Lernalgorithmus mit schneller Lerngeschwindigkeit verwendet werden.