编程识别动物图片通常涉及以下几个步骤：
数据收集和准备
收集具有不同动物种类的图像数据集。
对图像数据进行预处理，如调整大小、去除噪声、归一化等。
特征提取
使用图像处理算法提取图像的特征，如边缘检测、颜色特征、纹理特征等。
可以使用传统的图像处理技术如HOG（方向梯度直方图）或SIFT（尺度不变特征变换），也可以使用深度学习方法如卷积神经网络（CNN）自动提取特征。
模型训练
使用机器学习算法（如SVM、随机森林、神经网络等）对提取的特征向量进行训练。
划分数据集为训练集和测试集，用训练集来训练模型，并使用测试集评估模型的性能。
模型评估和优化
通过调整模型参数、使用交叉验证等方法来优化模型，提高识别准确率。
模型部署和应用
将训练好的模型部署到实际应用中，如手机应用、网页服务等。
对于实时图像识别，可以使用预训练的模型进行快速推理。
下面是一个使用Python和TensorFlow/Keras构建简单图像分类模型的示例代码：
```python
import tensorflow as tf
from tensorflow.keras import layers, models
加载数据集
train_ds = tf.keras.preprocessing.image_dataset_from_directory(
'train_data',
image_size=(180, 180),
batch_size=32
)
构建模型
model = models.Sequential([
layers.experimental.preprocessing.Rescaling(1./255, input_shape=(180, 180, 3)),
layers.Conv2D(16, 3, activation='relu'),
layers.MaxPooling2D(),
layers.Conv2D(32, 3, activation='relu'),
layers.MaxPooling2D(),
layers.Conv2D(64, 3, activation='relu'),
layers.MaxPooling2D(),
layers.Flatten(),
layers.Dense(128, activation='relu'),
layers.Dense(3, activation='softmax') 输出层有3个神经元，对应3个类别
])
编译模型
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
训练模型
model.fit(train_ds, epochs=10)
保存模型
model.save('animal_classifier.h5')
```
在这个示例中，我们使用了TensorFlow的`image_dataset_from_directory`函数来加载和预处理数据集，然后构建了一个简单的卷积神经网络模型，最后使用`fit`函数进行训练，并将训练好的模型保存到文件中。
对于更复杂的场景或更高的准确率要求，可以考虑使用预训练的模型（如VGG16、ResNet等）进行迁移学习，或者使用更高级的深度学习框架和算法。此外，还可以利用第三方API（如百度图像识别API）来实现动物识别功能。