La tecnología blockchain ha transformado los ecosistemas digitales modernos al permitir transacciones seguras, transparentes y automatizadas a través de contratos inteligentes. Sin embargo, la creciente complejidad de estos contratos introduce desafíos significativos, incluidos altos costos computacionales, limitaciones de escalabilidad y dificultades para detectar comportamientos anómalos. En este estudio, proponemos un marco de optimización basado en IA que mejora la eficiencia y seguridad de los contratos inteligentes en blockchain. El marco integra la Búsqueda de Arquitectura Neural (NAS) para diseñar automáticamente arquitecturas óptimas de Redes Neuronales Convolucionales (CNN) adaptadas a los datos de blockchain, lo que permite una detección efectiva de anomalías. Para abordar el desafío de los datos etiquetados limitados, se emplea el aprendizaje por transferencia para adaptar modelos de CNN preentrenados a patrones de contratos inteligentes, mejorando la generalización del modelo y reduciendo el tiempo de entrenamiento. Además, se aplican técnicas de Compresión de Modelos, incluyendo la poda de filtros y la cuantización, para minimizar la carga computacional, haciendo que el marco sea adecuado para su implementación en entornos de blockchain con recursos limitados. Los resultados experimentales en conjuntos de datos de transacciones de Ethereum demuestran que el método propuesto logra mejoras significativas en la precisión de detección de anomalías y eficiencia computacional en comparación con enfoques convencionales, ofreciendo una solución práctica y escalable para la monitorización y optimización de contratos inteligentes.