Die Erkennung von Emotionen in Gesprächen (Emotion Recognition in Conversation, ERC) hat in den letzten Jahren aufgrund der Fortschritte und Implementierungen von Mensch-Computer-Schnittstellen-Technologien zunehmend an Aufmerksamkeit gewonnen. In diesem Paper stellen wir einen Ansatz zur Modellierung von emotionaler Inertie und Kontagion, namens EmotionIC (Emotion Inertia and Contagion-driven dependency modeling), für die ERC-Aufgabe vor. Unser EmotionIC besteht aus drei Hauptkomponenten: Identity Masked Multi-Head Attention (IMMHA), Dialogue-based Gated Recurrent Unit (DiaGRU) und Skip-chain Conditional Random Field (SkipCRF). Im Vergleich zu früheren ERC-Modellen ermöglicht EmotionIC eine umfassendere Modellierung eines Gesprächs sowohl auf der Ebene der Merkmalsextraktion als auch der Klassifikation. Der vorgeschlagene Ansatz zielt darauf ab, die Vorteile von Aufmerksamkeits- und rekurrenten Methoden auf der Ebene der Merkmalsextraktion zu integrieren. Insbesondere wird IMMHA eingesetzt, um identitätsbasierte globale Kontextabhängigkeiten zu erfassen, während DiaGRU zur Extraktion von spracherspezifischen und zeitlich bewussten lokalen Kontextinformationen herangezogen wird. Auf der Klassifikationsebene kann SkipCRF komplexe emotionale Flüsse explizit aus höherordentlichen benachbarten Äußerungen im Gespräch herausfiltern. Experimentelle Ergebnisse zeigen, dass unsere Methode die State-of-the-Art-Modelle auf vier Benchmark-Datensätzen signifikant übertrifft. Ablationsstudien bestätigen, dass unsere Module effektiv emotionale Inertie und Kontagion modellieren können.