Como parte importante de la investigación sobre emociones, el reconocimiento de expresiones faciales es un requisito necesario en la interfaz humano-máquina. Generalmente, un sistema de reconocimiento de expresiones faciales incluye detección de rostros, extracción de características y clasificación de características. Aunque se ha logrado un gran éxito con los métodos tradicionales de aprendizaje automático, la mayoría de ellos presentan problemas computacionales complejos y carecen de la capacidad para extraer características completas y abstractas. Los métodos basados en aprendizaje profundo pueden lograr una tasa de reconocimiento más alta para las expresiones faciales, pero se necesitan una gran cantidad de muestras de entrenamiento y parámetros de ajuste, y los requisitos de hardware son muy altos. Para los problemas mencionados, este artículo propone un método que combina características extraídas por la red neuronal convolucional (CNN) con el clasificador C4.5 para reconocer expresiones faciales, que no solo puede abordar la incompletitud de las características hechas a mano, sino que también puede evitar la alta configuración de hardware en el modelo de aprendizaje profundo. Considerando algunos problemas de sobreajuste y débil capacidad de generalización del clasificador único, se aplica el bosque aleatorio en este artículo. Mientras tanto, este artículo realiza algunas mejoras en el clasificador C4.5 y el bosque aleatorio tradicional en el proceso de experimentos. Un gran número de experimentos ha demostrado la efectividad y viabilidad del método propuesto.