Die Erkennung von Gesichtsausdrücken hat erheblich zu verschiedenen Lebensbereichen wie Gesundheitswesen, Bildung, Marketing und Vertrieb beigetragen. Dies hat zu umfangreichen Forschungsanstrengungen geführt, die darauf abzielen, Erkennungsmethoden mithilfe von Deep Learning zu verbessern. Diese Ansätze zielen darauf ab, fortgeschrittene Merkmalsextraktionsverfahren mit einer erhöhten Klassifiziergenauigkeit zu kombinieren. In diesem Artikel wird ein Verfahren zur Gesichtsausdruckserkennung namens FerNeXt vorgestellt, das auf der bereits bestehenden ConvNeXt-Netzarchitektur basiert. Innerhalb der ConvNeXt-Architektur wurde ein effizienter Kanal-Attention-Block (ECA) eingeführt, um die Aufmerksamkeit des Modells für relevante Kanalmerkmale zu verstärken. Zudem wurde eine Affinitätsverlustfunktion (Affinity loss function) integriert, um die Trennbarkeit der Klassen zu optimieren. Die Methode wurde an zwei großen Datensätzen, AffectNet und RAF-DB, experimentell evaluiert, um die Fähigkeiten des vorgeschlagenen Ansatzes zu demonstrieren. Die Ergebnisse zeigen, dass das vorgeschlagene Modell eine hervorragende Leistung erzielt und konsistent höhere Genauigkeit erreicht sowie state-of-the-art-Methoden zur Gesichtsausdruckserkennung übertrifft.