La investigación explora el reconocimiento de emociones a través de expresiones faciales utilizando redes neuronales convolucionales. Este estudio se enmarca en la intersección de la inteligencia artificial y la psicología, centrándose en la importancia de la interpretación de emociones humanas para aplicaciones de interacción hombre-máquina en diversas áreas como la telemedicina, la educación y la seguridad, entre otras. Tradicionalmente, los sistemas de reconocimiento de emociones han utilizado enfoques unimodales, como el análisis de expresiones faciales o el procesamiento del lenguaje natural, pero estos enfoques pueden ser limitados al depender de una única fuente de información. A lo largo del estudio, se destacan investigaciones que abordan la variabilidad en las expresiones faciales en condiciones no controladas, logrando precisiones que superan el 70% en algunos casos. Entre las arquitecturas propuestas se incluyen la DICNN y la MLCNN, que integran características de diferentes niveles de profundidad y mejoran la clasificación de emociones. El trabajo propone un enfoque multimodal para mejorar la precisión y captar la complejidad de las emociones humanas. En particular, se propone una arquitectura que combina imágenes faciales con la extracción de landmarks faciales, lo que permite interpretar las microexpresiones con mayor precisión. La experimentación se llevó a cabo utilizando diversas configuraciones de redes neuronales adaptadas a los distintos tipos de datos. Se seleccionaron las arquitecturas más eficientes para cada tipo de dato y, a partir de estas, se desarrolló una red multimodal denominada CNN_multimodal, que logró una precisión del 70,81%. Los resultados obtenidos evidencian que la integración de imágenes y landmarks faciales mejora significativamente la interpretación de emociones complejas.