O reconhecimento de micro-expressão é uma área de investigação crescente devido à sua aplicação em revelar intenções subtis dos seres humanos, especialmente quando em condições de aposta elevada. Com o rápido aumento das questões de segurança em todo o mundo, o uso de micro-expressões para compreender o estado de espírito das pessoas tem recebido grande interesse. As microexpressões são caracterizadas pela sua curta duração e baixa intensidade, daí que os esforços para treinar os humanos no seu reconhecimento tenham resultado em desempenhos muito baixos. O reconhecimento automático das micro-expressões utilizando técnicas de aprendizagem de máquinas promete assim um resultado mais eficaz e poupa tempo e recursos. Neste estudo, exploramos a utilização da Máquina de Aprendizagem Extrema (ELM) para o reconhecimento de micro-expressões devido à sua capacidade de aprendizagem rápida e desempenho superior quando comparada com outros modelos. A Máquina Vectorial de Apoio (SVM) é utilizada como modelo de base e o seu desempenho de reconhecimento e o seu tempo de formação em comparação com o tempo de formação da ELM. A extracção de características é realizada em quadros de micro-expressão de vértice usando o Padrão Binário Local (LBP) e em vídeos de micro-expressão divididos em sequências de imagem usando uma técnica de extracção de características espaço-temporais chamada Padrão Binário Local em Três Planos Ortogonais (LBP-TOP). A avaliação dos dois modelos é realizada em amostras de microexpressão facial espontânea adquiridas da Academia Chinesa de Ciências (CASME II). Os resultados obtidos nas experiências mostram que o ELM produz um desempenho de reconhecimento superior ao do SVM em termos de exactidão, precisão, recordação e F-score quando são utilizadas características temporais. A comparação entre o tempo de formação de SVM e ELM mostra também que o ELM aprende mais rapidamente do que o SVM. Um tempo médio de treino de 0,3405 segundos é alcançado para SVM enquanto que um tempo médio de treino de 0,0409 segundos é alcançado para ELM para as cinco classes de micro-expressão seleccionadas. Este estudo mostra que o reconhecimento automático das micro-expressões produz um melhor resultado quando são utilizadas características temporais e um algoritmo de aprendizagem da máquina com velocidade de aprendizagem rápida.