对话情绪识别(Emotion Recognition in Conversation，ERC)是对话系统研究中的一项关键任务，然而，现有的模型往往由于管道设计的复杂性，容易过拟合于特定数据集和对话模式，从而限制了其泛化能力。为了解决这一问题，本研究提出一个基于大语言模型的多任务生成式重构对话情绪识别模型(Multi-task Generative Emotion Recognition in Conversation，M-GERC)。该模型引入两个基于预训练大语言模型的辅助任务：说话人识别和主题预测情绪。说话人识别任务旨在隐式建模对话中的对话角色关系，帮助模型更好地理解不同参与者之间的情绪交流。主题预测情绪任务则通过预测对话全局的主题，捕捉主题和情绪之间的潜在联系，从而结合上下文信息提高情绪识别的准确性。此外，M-GERC引入了知识检索模块，通过检索知识域知识并结合外部知识，进一步增强模型对上下文的理解。实验结果表明，M-GERC在DailyDialog、MELD和EmoryNLP数据集上相较于现有主流对话情绪识别模型，W-F1分别提高了3.1%、4.3%和3.7%，取得了显著提升。