搭建卷積神經網絡（Convolutional Neural Network, CNN）通常使用TensorFlow的Keras API。下面是一個簡單的例子來展示如何使用TensorFlow和Keras搭建卷積神經網絡：

import tensorflow as tf
from tensorflow.keras import layers

# 定義卷積神經網絡模型
model = tf.keras.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.Conv2D(64, (3, 3), activation='relu'),
    layers.Flatten(),
    layers.Dense(64, activation='relu'),
    layers.Dense(10, activation='softmax')
])

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

# 訓練模型
model.fit(train_images, train_labels, epochs=5, validation_data=(test_images, test_labels))

在上面的例子中，我們首先導入TensorFlow和Keras的layers模塊。然后我們定義了一個簡單的卷積神經網絡模型，包括三個卷積層和兩個全連接層。最后，我們編譯模型并使用fit方法來訓練模型。

需要注意的是，在實際使用中，我們需要根據具體的任務和數據集來設計網絡結構和調整超參數，以獲得更好的性能。TensorFlow提供了豐富的工具和API來幫助我們搭建和訓練卷積神經網絡。