Le visage humain est un communicateur silencieux, exprimant des émotions et des pensées à travers ses expressions faciales. Grâce aux progrès réalisés dans la vision par ordinateur ces dernières années, les technologies de reconnaissance d'émotions faciales ont fait d'importantes avancées, permettant aux machines de décoder les subtilités des signaux faciaux. Dans ce travail, nous proposons ResEmoteNet, une nouvelle architecture d'apprentissage profond pour la reconnaissance d'émotions faciales conçue en combinant des réseaux convolutifs (Convolutional), des blocs Squeeze-Excitation (SE) et des réseaux résiduels (Residual Networks). L'intégration du bloc SE permet de se concentrer sélectivement sur les caractéristiques importantes du visage humain, d'améliorer la représentation des caractéristiques et de réduire l'importance des caractéristiques moins pertinentes. Cela aide à diminuer la perte et à améliorer les performances globales du modèle. Nous avons également intégré le bloc SE avec trois blocs résiduels qui facilitent l'apprentissage de représentations plus complexes des données grâce à des couches plus profondes. Nous avons évalué ResEmoteNet sur quatre bases de données open-source : FER2013, RAF-DB, AffectNet-7 et ExpW, obtenant respectivement des précisions de 79,79 %, 94,76 %, 72,39 % et 75,67 %. Le réseau proposé surpasse les modèles de pointe actuels sur les quatre bases de données. Le code source de ResEmoteNet est disponible à l'adresse suivante : https://github.com/ArnabKumarRoy02/ResEmoteNet.