Las redes neuronales convolucionales (CNNs) son ampliamente utilizadas para la clasificación de imágenes; sin embargo, establecer los hiperparámetros apropiados antes del entrenamiento es subjetivo y consume tiempo, y el espacio de búsqueda no se explora adecuadamente. Este documento presenta un método novedoso para la búsqueda automática de arquitecturas neuronales basado en un algoritmo de estimación de distribución (EDA) para problemas de clasificación binaria. Los hiperparámetros se codificaron en forma binaria debido a la naturaleza de las metaheurísticas utilizadas en la etapa de búsqueda automática de arquitecturas de CNN que se realizó utilizando el algoritmo de distribución marginal univariante de Boltzmann (BUMDA) elegido mediante comparación estadística entre cuatro metaheurísticas para explorar el espacio de búsqueda, cuya complejidad computacional es (). Además, el método propuesto se compara con múltiples métodos de última generación en cinco bases de datos, probando su eficiencia en términos de precisión y puntuación F1. En los resultados experimentales, el método propuesto logró una puntuación F1 del 97.2%, 98.73%, 97.23%, 98.36% y 98.7% en su mejor evaluación, mejores resultados que la literatura. Finalmente, el tiempo computacional del método propuesto para el conjunto de pruebas fue de aproximadamente 0.6 s, 1 s, 0.7 s, 0.5 s y 0.1 s, respectivamente.