编写一个能够识别情感的自然语言处理程序（NLP程序）通常涉及到机器学习和深度学习的复杂算法。这种类型的程序会处理和分析大量文本数据以推断情感（例如积极或消极）。

以下是使用Python实现的一个简单的示例步骤：

### 步骤1: 数据收集与预处理

1. 收集情感标注的数据集（如IMDb电影评论或Twitter情绪分析的数据集）。

2. 对文本数据进行预处理，包括清洗、标准化和可能的标记化（分词）。

### 步骤2: 选择模型或框架

有多种方式来构建情感分析模型，如使用传统的机器学习算法（如朴素贝叶斯、支持向量机等）或深度学习模型（如循环神经网络RNN、长短期记忆LSTM或Transformer模型）。你可以选择现成的NLP库或框架，如TensorFlow、PyTorch、NLTK等。

### 步骤3: 构建模型

1. 使用Python进行模型构建和训练。对于深度学习模型，你需要定义模型架构、选择优化器和损失函数等。

2. 如果使用现成的框架，如BERT、GPT等，它们可以预先训练好并在各种NLP任务中直接使用。

### 步骤4: 训练模型

1. 训练模型需要大量标记数据，以便让模型学会如何根据文本推断情感。

2. 使用交叉验证等技术来评估模型的性能。

### 步骤5: 评估与测试

1. 使用测试集来评估模型的性能，包括准确率、召回率等指标。

2. 根据评估结果调整模型参数或使用其他技术来改进模型性能。

### 步骤6: 部署与使用

1. 将训练好的模型部署到生产环境中，使其能够处理来自用户的输入。

2. 创建一个简单的用户界面或API，以便用户可以输入文本并获得情感分析结果。

### 示例代码（使用简单的朴素贝叶斯）

如果你不希望直接用深度学习等复杂模型，可以先用更简单的机器学习方法来实现基本的情感分析功能：

```python

from sklearn.feature_extraction.text import TfidfVectorizer

from sklearn.naive_bayes import MultinomialNB

from sklearn.metrics import accuracy_score, classification_report, confusion_matrix

import pandas as pd

import re

import nltk

from nltk.tokenize import word_tokenize, sent_tokenize, pos_tag, RegexpTokenizer

from nltk.corpus import stopwords

from sklearn.pipeline import Pipeline, FeatureUnion

from sklearn.base import BaseEstimator, TransformerMixin

import string # for punctuation removal and tokenization preprocessing steps... (for more advanced preprocessing)

# ... 其他代码实现 ... 包括数据加载、预处理、模型训练和测试等 ...

```

这个示例仅是一个起点，实际的情感分析程序会更加复杂和精细。为了获得更好的性能和更准确的情感分析结果，你可能需要使用更高级的深度学习模型和大量的训练数据。此外，你还可以考虑使用预训练的NLP模型（如BERT、RoBERTa等），它们在情感分析任务上通常表现得更出色。这些模型通常需要大量的计算资源来训练和部署，但它们提供了很好的起点来构建复杂的NLP系统。