El reconocimiento de microexpresiones es un área de investigación en auge debido a su aplicación para revelar la intención sutil de los seres humanos, especialmente en condiciones de alto riesgo. Con el rápido aumento de los problemas de seguridad en todo el mundo, el uso de microexpresiones para entender el estado de ánimo de las personas ha recibido un gran interés. Las microexpresiones se caracterizan por su corta duración y baja intensidad, por lo que los esfuerzos para entrenar a los humanos en su reconocimiento han dado como resultado resultados muy bajos. El reconocimiento automático de microexpresiones mediante técnicas de aprendizaje automático promete, por tanto, un resultado más eficaz y ahorra tiempo y recursos. En este estudio, exploramos el uso de la Máquina de Aprendizaje Extremo (ELM) para el reconocimiento de microexpresiones debido a su rápida capacidad de aprendizaje y su mayor rendimiento en comparación con otros modelos. Se utiliza la máquina de vectores de apoyo (SVM) como modelo de referencia y se compara su rendimiento de reconocimiento y su tiempo de entrenamiento con el de la ELM. La extracción de características se realiza en los fotogramas de microexpresión del vértice utilizando el patrón binario local (LBP) y en los vídeos de microexpresión divididos en secuencias de imágenes utilizando una técnica de extracción de características espaciotemporales denominada patrón binario local en tres planos ortogonales (LBP-TOP). La evaluación de los dos modelos se realiza con muestras de microexpresiones faciales espontáneas adquiridas en la Academia China de Ciencias (CASME II). Los resultados obtenidos en los experimentos muestran que ELM produce un mayor rendimiento de reconocimiento que SVM en términos de exactitud, precisión, recuerdo y puntuación F cuando se utilizan características temporales. La comparación entre el tiempo de entrenamiento de SVM y ELM también muestra que ELM aprende más rápido que SVM. El tiempo de entrenamiento medio de SVM es de 0,3405 segundos, mientras que el de ELM es de 0,0409 segundos para las cinco clases de microexpresiones seleccionadas. Este estudio muestra que el reconocimiento automático de microexpresiones es produce un mejor resultado cuando se utilizan características temporales y un algoritmo de aprendizaje automático con una velocidad de aprendizaje rápida.