Die Erkennung von Emotionen in Dialogen ist herausfordernd, da sie oft die Identifikation der zugrunde liegenden Themen eines Gesprächs, relevante Alltagswissen (commonsense knowledge) sowie die komplexen Übergangsmuster zwischen affektiven Zuständen erfordert. In diesem Paper stellen wir einen themengetriebenen, wissenbasierten Transformer vor, um diese Herausforderungen zu bewältigen. Zunächst entwerfen wir ein themenverstärktes Sprachmodell (Language Model, LM), das über eine zusätzliche Schicht verfügt, die speziell für die Themenidentifikation optimiert ist. Dieses themenverstärkte LM wird anschließend mit Alltagsaussagen kombiniert, die aus einer Wissensbasis abgeleitet wurden und auf der dialogischen Kontextinformation basieren. Schließlich integriert eine auf Transformer basierende Encoder-Decoder-Architektur sowohl thematische als auch alltagswissensbasierte Informationen und führt die Vorhersage von Emotionen-Label-Sequenzen durch. Das Modell wurde an vier Datensätzen im Bereich der Dialog-Emotionserkennung getestet und zeigt empirisch eine Überlegenheit gegenüber bestehenden state-of-the-art-Ansätzen. Quantitative und qualitative Ergebnisse belegen, dass das Modell in der Lage ist, Themen zu identifizieren, die zur Unterscheidung verschiedener Emotionskategorien beitragen.