La visión por computadora es una de las tecnologías más punteras en la ciencia de la computación. Se utiliza para construir sistemas artificiales que extraen información valiosa de imágenes y tiene una amplia gama de aplicaciones en diversas áreas como la agricultura, los negocios y la salud. Las redes neuronales convolucionales representan los algoritmos clave en la visión por computadora, y en los últimos años, han logrado avances notables en muchos problemas del mundo real. La precisión de la red para una tarea en particular depende profundamente de la configuración de los hiperparámetros. Obtener el conjunto correcto de hiperparámetros es un proceso que consume tiempo y requiere experiencia. Para abordar esta preocupación, proponemos un método automático para la optimización de hiperparámetros y el diseño de estructuras mediante la implementación de algoritmos metaheurísticos mejorados. El objetivo de este documento es doble. En primer lugar, proponemos versiones mejoradas de los algoritmos de crecimiento de árboles y luciérnagas que mejoran las implementaciones originales. En segundo lugar, adoptamos los algoritmos mejorados propuestos para la optimización de hiperparámetros. En primer lugar, las metaheurísticas modificadas se evalúan en funciones de referencia estándar no restringidas y se comparan con los algoritmos originales. Posteriormente, los algoritmos mejorados se utilizan para el diseño de la red. Los experimentos se llevan a cabo en el famoso conjunto de datos de referencia de clasificación de imágenes, el conjunto de datos MNIST, y se realiza un análisis comparativo con otros enfoques destacados que se probaron en el mismo problema. Los resultados experimentales muestran que ambos métodos mejorados propuestos establecen un rendimiento más alto que las otras técnicas existentes en términos de precisión de clasificación y uso de recursos computacionales.