La soja es un producto agrícola crítico, sirviendo como una fuente vital de proteína y aceite vegetal, y contribuyendo significativamente a las economías de las naciones productoras. Sin embargo, los rendimientos de la soja son frecuentemente comprometidos por enfermedades e infestaciones de plagas, que, si no se identifican temprano, pueden llevar a pérdidas de producción sustanciales. Para abordar este desafío, proponemos AgriNAS, un método que integra un marco de Búsqueda de Arquitectura Neural (NAS) con una arquitectura convolucional adaptativa específicamente diseñada para la patología vegetal. AgriNAS emplea una estrategia novedosa de aumento de datos y un método de Aumento Espacial-Temporal (STA), y utiliza una red convolucional de múltiples etapas que se adapta dinámicamente a la complejidad de los datos de entrada. El AgriNAS propuesto aprovecha recursos potentes de GPU para manejar las tareas computacionales intensivas involucradas en NAS y el entrenamiento del modelo. El marco incorpora una estrategia de optimización de dos niveles y regularización basada en entropía para mejorar la robustez del modelo y prevenir el sobreajuste. AgriNAS logra precisión de clasificación superior a VGG-19 y un método de transferencia de aprendizaje utilizando redes neuronales convolucionales.