Emotionserkennung in Konversationen (ERC) beinhaltet das Erkennen der zugrunde liegenden Emotion hinter jeder Äußerung innerhalb einer Konversation. Die effektive Generierung von Repräsentationen für Äußerungen stellt weiterhin eine erhebliche Herausforderung dar. Kürzlich vorgeschlagene Modelle versuchen, dieses Problem zu lösen, haben jedoch immer noch Schwierigkeiten, ähnliche Emotionen wie Aufregung und Freude zu differenzieren. Um dieses Problem zu mildern, schlagen wir einen Emotionsverankerten Kontrastiven Lernansatz (EACL) vor, der es ermöglicht, für ähnliche Emotionen unterscheidbarere Äußerungsrepräsentationen zu generieren. Dazu nutzen wir Labelencodierungen als Ankerpunkte, um das Lernen von Äußerungsrepräsentationen zu leiten, und entwickeln einen zusätzlichen Verlustterm (auxiliary loss), um die effektive Trennung der Ankerpunkte für ähnliche Emotionen sicherzustellen. Darüber hinaus wird ein zusätzlicher Anpassungsprozess vorgeschlagen, um die Ankerpunkte so anzupassen, dass sie als effektive Klassifizierer dienen und die Klassifikationsleistung verbessern können. In umfangreichen Experimenten erreicht unser vorgeschlagener EACL den aktuellen Stand der Technik in Bezug auf die Emotionserkennung und zeigt eine überlegene Leistung bei der Differenzierung ähnlicher Emotionen. Unser Code ist unter https://github.com/Yu-Fangxu/EACL verfügbar.