La tarea de reconocimiento conjunto de actos de diálogo (DAR) y clasificación de sentimientos (DSC) tiene como objetivo predecir tanto los actos como las etiquetas de sentimiento de cada enunciado en un diálogo. Los métodos existentes se centran principalmente en características semánticas locales o globales del diálogo desde una única perspectiva, sin tener en cuenta el impacto de la otra parte. Por lo tanto, proponemos una red de razonamiento recurrente consciente de múltiples informaciones (MIRER). En primer lugar, la información de la secuencia se envía suavemente a múltiples capas de información local para la extracción de características de alta precisión a través de un método de grupo híbrido de CNN conectado a BiLSTM. En segundo lugar, para obtener características semánticas globales que sean sensibles al hablante, al contexto y al tiempo, diseñamos un gráfico heterogéneo de razonamiento temporal consciente del hablante para caracterizar las interacciones entre los enunciados pronunciados por diferentes hablantes, incorporando diferentes tipos de nodos y meta-relaciones con parámetros dependientes del tipo de nodo y borde. También diseñamos un gráfico heterogéneo de razonamiento temporal de doble tarea para realizar la auto-interacción y la interacción a nivel semántico y de predicción, y constantemente revisamos y mejoramos la etiqueta en el proceso de razonamiento recurrente de doble tarea. MIRER integra completamente características a nivel de contexto, características de alta precisión y características semánticas globales, incluyendo sensibilidad al hablante, al contexto y al tiempo, para simular mejor los escenarios de conversación. Validamos el método en dos conjuntos de datos de diálogo públicos, Mastodon y DailyDialog, y los resultados experimentales muestran que MIRER supera a varios modelos base existentes.