Aunque el reconocimiento de emociones en imágenes reales se ha desarrollado en varios estudios, no se ha logrado un nivel de precisión aceptable en dibujos de retratos. Este marco propone un reconocimiento de emociones en retratos basado en el análisis de componentes independientes (ICA) y códigos latentes para superar el problema de degradación del rendimiento en dibujos. Este marco emplea un código latente extraído a través de un codificador basado en una red generativa adversarial (GAN). Aprende de forma independiente de factores que interfieren con el reconocimiento de la expresión, como el color, pequeñas oclusiones y varios ángulos faciales. Es robusto frente a factores ambientales, ya que filtra el código latente añadiendo un extractor de código relevante para la emoción para extraer solo información relacionada con las expresiones faciales del código latente. Además, se genera una imagen cambiando el código latente en la dirección del vector propio para cada emoción obtenida a través del método ICA. Dado que solo se cambia la posición del código latente relacionado con la expresión facial, hay poco cambio externo y los cambios de expresión van en la dirección deseada. Esta técnica es útil para el aprendizaje de reconocimiento emocional cualitativo y cuantitativo. Los resultados experimentales revelan que el modelo propuesto tiene un mejor rendimiento que los modelos existentes, y la edición latente utilizada en este proceso sugiere un método de manipulación novedoso a través de ICA. Además, el marco propuesto se puede aplicar para varias aplicaciones de emociones en retratos, desde el reconocimiento hasta la manipulación, como la automatización de la producción de subtítulos emocionales para personas con discapacidad visual, la comprensión de las emociones de objetos en obras clásicas famosas y la asistencia en la producción de animaciones.