Varios métodos de optimización y arquitecturas de red son utilizados por las redes neuronales convolucionales (CNNs). Cada método de optimización y estilo de arquitectura de red tiene sus propias ventajas y habilidades de representación. Para aprovechar al máximo estas ventajas, en este documento se proponen las redes neuronales convolucionales basadas en integrales difusas evolutivas (EFI-CNNs). Las EFI-CNNs propuestas fueron verificadas a través de la clasificación facial por edad y género. Las salidas de las CNNs entrenadas se establecieron como entradas de una integral difusa. Los resultados de clasificación se operaron utilizando reglas de salida de Sugeno o Choquet. Los valores de densidad difusa convencionales de la integral difusa fueron decididos mediante experimentos heurísticos. En este documento, la optimización de enjambre de partículas (PSO) se utilizó para encontrar de forma adaptativa los valores óptimos de densidad difusa. Para combinar las ventajas de cada tipo de CNN, la evaluación de cada tipo de CNN en las EFI-CNNs es necesaria. Tres estructuras de CNN, AlexNet, red neuronal convolucional muy profunda (VGG16) y GoogLeNet, y tres bases de datos, laboratorio de aplicaciones de inteligencia computacional (CIA), Morph y conjunto de datos de celebridades de diferentes edades (CACD2000), se utilizaron en experimentos para clasificar edad y género. Los resultados experimentales muestran que el método propuesto logró una precisión un 5.95% y un 3.1% más alta, respectivamente, en la clasificación por edad y género.