选择深度学习算法设计实现手写数字识别系统，具体要求如下：适用MNIST手写数字数据集进行手写数字识别手写数字数据集进行，手写数字识别；使用合适的深度学习算法来训练分类模型，要求识别精度尽可能高；编写简单用户界面可以加载手写数字并调用算法识别数字。根据以上要求给出完整的程序代码

为了实现一个基于深度学习的手写数字识别系统，我们可以采用经典的卷积神经网络（Convolutional Neural Network, CNN），它在图像识别任务中非常有效。我们将使用Python语言以及TensorFlow库作为主要工具。这里提供一个简化的代码示例，包括数据预处理、模型构建和用户界面：

import tensorflow as tf
from tensorflow.keras import datasets, layers, models
from matplotlib import pyplot as plt

# 1. 加载和预处理MNIST数据
(train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data()
train_images = train_images / 255.0
test_images = test_images / 255.0
train_images = train_images.reshape(-1, 28, 28, 1)
test_images = test_images.reshape(-1, 28, 28, 1)

# 2. 构建CNN模型
model = models.Sequential([
    layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
    layers.MaxPooling2D((2, 2)),
    layers.Conv2D(64, (3, 3), activation='relu'),
    layers.MaxPooling2D((2, 2)),
    layers.Flatten(),
    layers.Dense(64, activation='relu'),
    layers.Dropout(0.5),
    layers.Dense(10, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 3. 训练模型
history = model.fit(train_images, train_labels, epochs=10, validation_split=0.1)

# 4. 评估模型
test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)
print('\nTest accuracy:', test_acc)

# 5. 用户界面
def load_and_predict(image_path):
    # 加载图片并调整为输入格式
    img = plt.imread(image_path)
    img = img.astype('float32') / 255.0
    img = img.reshape(1, 28, 28, 1)
    
    # 预测
    prediction = model.predict_classes(img)
    return prediction[0]

# 示例用户界面函数
def user_interface():
    plt.imshow(plt.imread(input("请输入手写数字图片文件路径: ")), cmap=plt.cm.binary)
    predicted_num = load_and_predict(image_path)
    print(f"预测的数字是 {predicted_num}")

user_interface()

注意：这只是一个基础的框架，实际应用中可能需要更复杂的模型结构和优化策略，并且可能还需要对用户界面进行改进，以便更好地显示预测结果。