要使用Python编写一个能够识别情感的自然语言处理程序，你可以使用一些现有的库和工具，如NLTK（Natural Language Toolkit）、TextBlob、VADER等。这些库提供了许多有用的功能，可以帮助你分析和理解文本中的情感。

以下是一个简单的步骤指南，帮助你开始编写这样的程序：

1. **选择或安装必要的库**：

* 安装或确保你已经安装了Python及其科学计算库（如NumPy、Pandas等）。

* 安装自然语言处理库，如NLTK、TextBlob或Spacy。这些库提供了许多有用的工具和算法，用于处理和分析文本数据。

2. **数据准备**：

* 收集一个包含情感标签的文本数据集。这个数据集应该包含正面、负面和中性情感的文本样本。

* 对数据进行预处理，包括分词、去除停用词、词干提取等。这有助于提高模型的性能。

3. **特征提取**：

* 使用TF-IDF（词频-逆文档频率）或Word2Vec等算法从文本中提取特征。这些特征将用于训练模型以识别情感。

4. **模型训练**：

* 选择一个合适的机器学习算法（如SVM、朴素贝叶斯、随机森林等）来训练模型。你可以使用Scikit-learn等库来实现这一步。

* 使用你的数据集来训练模型，使其能够识别不同情感。确保你的数据集足够大且具有代表性，以便模型能够学习到不同情感的特征。

5. **模型评估**：

* 使用一部分未参与训练的数据来评估模型的性能。这可以帮助你了解模型在未知数据上的表现。

* 计算准确率、精确率、召回率等指标来评估模型的性能。如果性能不理想，可以尝试调整模型参数或使用更复杂的算法来提高性能。

6. **模型应用**：

* 将训练好的模型集成到一个Python程序中，以便你可以输入新的文本并获得其情感标签。你可以使用Flask等框架来创建一个简单的Web应用程序来实现这一功能。

7. **优化和改进**：

* 根据用户反馈和模型性能的评估结果，不断优化和改进你的程序。你可以尝试使用更复杂的算法、添加更多的特征或调整模型的参数来提高性能。

8. **资源**：如果你需要更多的帮助或资源来编写这样的程序，可以参考一些教程、博客或GitHub上的开源项目。这些资源可以帮助你了解如何使用Python进行自然语言处理和情感分析。

请注意，自然语言处理是一个复杂的领域，需要大量的数据和计算资源来训练和优化模型。因此，在编写这样的程序时，需要耐心和持续的努力来获得满意的结果。