En los últimos años, la creciente popularidad de los dispositivos móviles inteligentes ha hecho que la interacción entre dispositivos y usuarios, especialmente a través de la interacción por voz, sea más crucial. Al permitir que los dispositivos inteligentes comprendan mejor los estados emocionales de los usuarios a través de datos de voz, se vuelve posible proporcionar servicios más personalizados. Este artículo propone un nuevo modelo de aprendizaje automático para el reconocimiento de emociones en el habla llamado CLDNN, que combina redes neuronales convolucionales (CNN), redes neuronales de memoria a corto plazo (LSTM) y redes neuronales profundas (DNN). Para diseñar un sistema que se asemeje estrechamente al sistema auditivo humano en el reconocimiento de señales de audio, este artículo utiliza los coeficientes cepstrales de frecuencia de Mel (MFCCs) de los datos de audio como la entrada del modelo de aprendizaje automático.