La Reconnaissance des Émotions dans la Conversation (REC) consiste à détecter l'émotion sous-jacente derrière chaque énoncé au sein d'une conversation. La génération efficace de représentations pour les énoncés reste un défi majeur dans cette tâche. Les travaux récents proposent divers modèles pour aborder ce problème, mais ils peinent encore à distinguer des émotions similaires comme l'excitation et le bonheur. Pour atténuer ce problème, nous proposons un cadre d'Apprentissage Contrastif Ancré sur les Émotions (ACAE) capable de générer des représentations d'énoncés plus distinctes pour des émotions similaires. Pour y parvenir, nous utilisons des encodages d'étiquettes comme ancres pour guider l'apprentissage des représentations d'énoncés et concevons une perte auxiliaire pour garantir la séparation efficace des ancres pour des émotions similaires. De plus, un processus d'adaptation supplémentaire est proposé afin d'ajuster les ancres pour qu'elles servent de classifieurs efficaces et améliorent ainsi les performances de classification. Au cours de nombreuses expériences, notre ACAE proposé atteint des performances de reconnaissance des émotions de pointe et montre une supériorité sur les émotions similaires. Notre code est disponible à l'adresse suivante : https://github.com/Yu-Fangxu/EACL.