Las huellas dactilares están ganando popularidad, y los conjuntos de datos de huellas dactilares están volviéndose cada vez más grandes. A menudo se capturan utilizando una variedad de sensores integrados en dispositivos inteligentes como teléfonos móviles y computadoras personales. Uno de los problemas principales con los sistemas de reconocimiento de huellas dactilares es su alta complejidad de procesamiento, que se ve exacerbada cuando se recopilan utilizando varios sensores. Una forma de abordar este problema es categorizar las huellas dactilares en una base de datos para condensar el espacio de búsqueda. El aprendizaje profundo es efectivo en el diseño de métodos robustos de clasificación de huellas dactilares. Sin embargo, diseñar la arquitectura de un modelo de CNN es una tarea laboriosa y que consume mucho tiempo. Propusimos una técnica para determinar automáticamente la arquitectura de un modelo de CNN adaptativo a la clasificación de huellas dactilares; determina automáticamente el número de filtros y las capas utilizando la transformación de Fukunaga-Koontz y la relación entre la dispersión entre clases y la dispersión dentro de las clases. Ayuda a diseñar modelos de CNN ligeros, que son eficientes y aceleran el proceso de reconocimiento de huellas dactilares. El método fue evaluado en dos conjuntos de datos de referencia de dominio público, FingerPass y FVC2004, que contienen huellas dactilares ruidosas y de baja calidad obtenidas utilizando dispositivos de escaneo en vivo y huellas dactilares entre sensores. Los modelos diseñados superan a los modelos pre-entrenados conocidos y a las técnicas de clasificación de huellas dactilares de última generación.