El reconocimiento de expresiones faciales es el área clave de investigación en visión por computadora, permitiendo que los dispositivos inteligentes comprendan las emociones e intenciones humanas. Sin embargo, el reconocimiento de expresiones faciales en escenas naturales presenta desafíos debido a factores ambientales como la oclusión y las variaciones de pose. Para abordar esto, proponemos un enfoque novedoso que combina el realce de características locales y la correlación de información global. Este método permite que el modelo aprenda tanto características faciales locales como globales junto con información contextual. Al mejorar las características locales destacadas y explorar características de expresión facial a múltiples escalas, nuestro modelo mitiga efectivamente el impacto de la oclusión y las variaciones de pose, mejorando la precisión del reconocimiento. Los resultados experimentales demuestran que nuestro modelo adaptado supera a los algoritmos alternativos en el reconocimiento de expresiones faciales en entornos desafiantes, logrando precisión de reconocimiento del 85.07% y 99.35% en los conjuntos de datos RAF-DB y CK+, respectivamente.