Una microexpresión (ME), como una expresión facial espontánea, generalmente ocurre instantáneamente y es difícil de disimular después de un evento que provoca emociones. Numerosos modelos basados en redes neuronales convolucionales (CNN) han sido ampliamente explorados para reconocer MEs por su fuerte capacidad de representación de características locales en imágenes. Sin embargo, la principal desventaja de los métodos actuales es su incapacidad para extraer completamente información contextual holística de las imágenes de ME. Para lograr una representación eficiente del aprendizaje de ME desde diversas perspectivas, este artículo utiliza variantes de Transformer como la columna vertebral principal y la arquitectura de doble rama como el marco principal para extraer características contextuales multi-modales significativas para el reconocimiento de ME (MER). La primera rama utiliza un operador de flujo óptico para facilitar la extracción de información de movimiento entre secuencias de ME, y los mapas de flujo óptico correspondientes se alimentan al Transformer Swin para adquirir una representación espacial de movimiento. La segunda rama envía directamente el fotograma ápice en un clip de ME a Mobile ViT (Vision Transformer), que puede capturar las características locales-globales de MEs. Más importante aún, para lograr la fusión óptima de flujos de características, se diseña un bloque de atención cruzada (CAB) para interactuar con la característica extraída por cada rama para una fusión de aprendizaje adaptativa. Las extensas comparaciones experimentales en tres benchmarks de ME disponibles públicamente muestran que el método propuesto supera a los métodos de MER existentes y logra una precisión del 81.6% en la base de datos combinada.