Las redes neuronales convolucionales tienen un amplio espectro de aplicaciones prácticas en visión por computadora. Actualmente, gran parte de los datos provienen de imágenes, y es crucial tener una técnica eficiente para procesar estas grandes cantidades de datos. Las redes neuronales convolucionales han demostrado ser muy exitosas en abordar tareas de procesamiento de imágenes. Sin embargo, el diseño de una estructura de red para un problema dado implica un ajuste fino de los hiperparámetros para lograr una mayor precisión. Este proceso lleva mucho tiempo y requiere esfuerzo y experiencia en el dominio. El diseño de la arquitectura de las redes neuronales convolucionales representa un problema de optimización NP-duro típico, y se han propuesto algunos marcos para generar estructuras de red para tareas específicas de clasificación de imágenes. Para abordar este problema, en este documento, proponemos el algoritmo de optimización híbrido de la mariposa monarca. Basándonos en las deficiencias observadas del enfoque original de optimización de la mariposa monarca, realizamos una hibridación con otros dos algoritmos de inteligencia de enjambre de última generación. El algoritmo híbrido propuesto se probó primero en un conjunto de instancias de referencia no restringidas estándar, y posteriormente se adaptó a un problema de diseño de red neuronal convolucional. Se realizó un análisis comparativo con otros métodos y algoritmos de última generación, así como con la implementación original de la optimización de la mariposa monarca, para ambos grupos de simulaciones. Los resultados experimentales demostraron que nuestro método propuesto logró obtener una mayor precisión de clasificación que otros enfoques, cuyos resultados se publicaron en la literatura moderna de ciencias de la computación.