En los últimos años, la búsqueda de arquitectura neuronal (NAS) se ha propuesto para diseñar automáticamente arquitecturas de redes neuronales, que buscan arquitecturas de red que superen a las novedosas arquitecturas de redes neuronales convolucionales (CNN) diseñadas por humanos. La investigación relacionada siempre ha sido un tema candente. Este artículo propone un algoritmo evolutivo multiobjetivo llamado algoritmo de cruce elitista de ordenación no dominada (elitist NSCA) y lo aplica a la búsqueda de arquitectura neuronal, que considera dos objetivos de optimización: la precisión y los parámetros de red. En el algoritmo, se propone un espacio de búsqueda innovador tomado del último bloque residual y conexión densa para garantizar la calidad de las arquitecturas compactas. Se emplea una estrategia de optimización de cruce de longitud variable, que itera de manera creativa la evolución a través de cruces horizontales entre individuos e cruces verticales dentro de individuos, para optimizar simultáneamente los parámetros microestructurales y la arquitectura macroscópica de la CNN. Además, se agrega un operador de mutación correspondiente pertinentemente basado en el rendimiento del modelo proxy, y se mejora la estrategia elitista a través de la poda para reducir el impacto de las aptitudes anormales. Los resultados experimentales en múltiples conjuntos de datos muestran que el algoritmo propuesto tiene una mayor precisión y robustez que ciertos algoritmos de última generación.