Las redes neuronales convolucionales (CNN) han destacado en la inteligencia artificial, especialmente en tareas relacionadas con imágenes como clasificación y reconocimiento de objetos. Sin embargo, el diseño manual de arquitecturas CNN requiere un conocimiento significativo en el dominio y conlleva procesos de prueba y error que consumen tiempo, junto con recursos computacionales sustanciales. Para superar este desafío, se introduce un método de diseño de red automatizado conocido como Optimización Basada en la Enseñanza-Aprendizaje Modificado con Compartición de Conocimiento Refinado (MTLBORKS-CNN). Busca de forma autónoma arquitecturas CNN óptimas, logrando un alto rendimiento de clasificación en conjuntos de datos específicos sin intervención humana. MTLBORKS-CNN incorpora cuatro características clave. Emplea un esquema de codificación efectivo para diversos hiperparámetros de red, facilitando la búsqueda de arquitecturas de red innovadoras y válidas. Durante la fase de profesor modificada, aprovecha un concepto de aprendizaje social para calcular ejemplos únicos que guían eficazmente a los aprendices preservando la diversidad. En la fase de aprendizaje modificada, se incorpora el autoaprendizaje y el aprendizaje entre pares adaptativo para mejorar la adquisición de conocimientos de los aprendices durante la optimización de la arquitectura CNN. Finalmente, MTLBORKS-CNN emplea un esquema de selección de doble criterio, considerando tanto la aptitud como la diversidad, para determinar la supervivencia de los aprendices en generaciones posteriores. MTLBORKS-CNN se evalúa rigurosamente en nueve conjuntos de datos de imágenes y se compara con métodos de vanguardia. Los resultados demuestran consistentemente la superioridad de MTLBORKS-CNN en términos de precisión de clasificación y complejidad de red, sugiriendo su potencial para el desarrollo infraestructural de dispositivos inteligentes.