La reconnaissance des expressions faciales a apporté une contribution significative à divers domaines de la vie, allant de la santé et de l’éducation à la marketing et à la vente. Cela a stimulé des recherches approfondies visant à améliorer les méthodes de reconnaissance grâce à l’apprentissage profond. Ces approches visent à intégrer des techniques avancées d’extraction de caractéristiques avec une précision accrue en classification. Dans cet article, une méthode de détection des expressions faciales, nommée FerNeXt, a été proposée, basée sur l’architecture de réseau ConvNeXt existante. Un bloc d’attention sur les canaux efficace (ECA) a été introduit dans l’architecture ConvNeXt afin d’améliorer l’attention du modèle sur les caractéristiques importantes des canaux. Par ailleurs, une fonction de perte d’affinité a été intégrée pour optimiser la séparabilité des classes. La méthode a été expérimentée sur deux grands jeux de données : AffectNet et RAF-DB, afin de démontrer la capacité de la technique proposée. Les résultats obtenus montrent que le modèle proposé présente de bonnes performances, atteignant de manière cohérente une précision supérieure et surpassant les approches de pointe en reconnaissance des expressions faciales.