La reconnaissance des micro-expressions est un domaine de recherche en pleine expansion en raison de son application dans la révélation de l’intention subtile des humains, en particulier lorsqu’ils se trouvent dans des conditions d’enjeu élevé. Avec l’augmentation rapide des problèmes de sécurité dans le monde entier, l’utilisation des micro-expressions pour comprendre l’état d’esprit d’une personne a reçu un intérêt majeur. Les micro-expressions sont caractérisées par une courte durée et une faible intensité, c’est pourquoi les efforts pour entraîner les humains à les reconnaître ont donné des résultats très faibles. La reconnaissance automatique des micro-expressions à l’aide de techniques d’apprentissage automatique promet donc un résultat plus efficace et permet d’économiser du temps et des ressources. Dans cette étude, nous explorons l’utilisation de l’Extreme Learning Machine (ELM) pour la reconnaissance des micro-expressions en raison de sa capacité d’apprentissage rapide et de ses performances supérieures à celles d’autres modèles. Le modèle SVM (Support Vector Machine) est utilisé comme modèle de référence et ses performances de reconnaissance ainsi que son temps de formation sont comparés au temps de formation du modèle ELM. L’extraction de caractéristiques est effectuée sur des cadres de micro-expression d’apex en utilisant le modèle binaire local (LBP) et sur des vidéos de micro-expression divisées en séquences d’images en utilisant une technique d’extraction de caractéristiques spatio-temporelles appelée modèle binaire local sur trois plans orthogonaux (LBP-TOP). L’évaluation des deux modèles est effectuée sur des échantillons de micro-expressions faciales spontanées acquises auprès de l’Académie chinoise des sciences (CASME II). Les résultats obtenus lors des expériences montrent que le modèle ELM produit une meilleure performance de reconnaissance que le modèle SVM en termes d’exactitude, de précision, de rappel et de F-score lorsque des caractéristiques temporelles sont utilisées. La comparaison entre le temps de formation du SVM et du ELM montre également que le ELM apprend plus rapidement que le SVM. Un temps d’apprentissage moyen de 0,3405 secondes est atteint pour le SVM tandis qu’un temps d’apprentissage moyen de 0,0409 secondes est atteint pour le ELM pour les cinq classes de micro-expressions sélectionnées. Cette étude montre que la reconnaissance automatique des micro-expressions est produit un meilleur résultat lorsque les caractéristiques temporelles et un algorithme d’apprentissage automatique avec une vitesse d’apprentissage rapide sont utilisés.