要编写CNN程序，通常需要以下几类软件和工具：
编程语言
Python：最常用的编程语言，拥有丰富的机器学习库和框架，如TensorFlow、PyTorch和Keras，这些库提供了丰富的CNN模型和相关的函数，使开发人员能够轻松地构建和训练CNN模型。
C++：一种高效的编程语言，适合实现对计算性能要求较高的CNN模型。一些流行的深度学习库，如Caffe和OpenCV，是用C++编写的，可以在CNN任务中发挥很好的性能。
Java：拥有强大的生态系统和丰富的机器学习库，如DL4J（DeepLearning4J）和Deeplearning.scala，适合开发大规模的分布式CNN系统。
MATLAB：专业的科学计算语言，提供了丰富的工具箱和函数库，如Deep Learning Toolbox，可用于实现和训练CNN模型。
Lua：轻量级的脚本语言，广泛应用于深度学习框架Torch和其衍生框架PyTorch，适合快速迭代和实验。
深度学习框架
TensorFlow：开源的机器学习库，广泛用于CNN的实现，提供了丰富的工具和API，使得开发者可以方便地构建和训练CNN模型。
PyTorch：广泛使用的开源深度学习库，具有动态计算图的特性，使得模型的构建和调试更加灵活和直观。
Keras：高级神经网络API，可以作为TensorFlow或PyTorch的前端，用于快速构建和训练CNN模型。
Caffe：专门用于卷积神经网络的深度学习框架。
MXNet：高度灵活的深度学习框架，支持多种编程语言，提供了简洁的API，可以方便地构建和训练CNN模型。
数据处理和可视化工具
OpenCV：图像处理库，可以与上述的深度学习框架结合使用，用于数据处理和可视化等任务。
Scikit-learn：机器学习库，提供了大量的算法用于数据挖掘和数据分析，也可以与深度学习框架结合使用。
其他工具
Jupyter Notebook：交互式编程环境，适合进行数据清洗、模型训练和结果可视化。
IPython：另一个交互式编程环境，通常与Jupyter Notebook一起使用，提供了强大的交互式编程功能。
选择使用何种编程语言和工具主要取决于个人的偏好、项目需求和资源限制。每种编程语言和工具都有其优点和适用场景，在选择之前需要考虑到这些因素。