Junto con el amplio uso de la tecnología de aprendizaje profundo, sus problemas de seguridad han atraído mucha atención a lo largo de los años. Los ejemplos adversarios exponen la vulnerabilidad inherente de los modelos de aprendizaje profundo y hacen que sea una tarea desafiante mejorar su robustez. La robustez del modelo está relacionada no solo con sus parámetros, sino también con su arquitectura. Este artículo propone un enfoque novedoso para mejorar la robustez de las redes neuronales basado en una búsqueda de arquitectura neuronal. Primero, muestreamos aleatoriamente múltiples redes neuronales para construir la población inicial. Segundo, utilizamos las redes individuales en la población para ajustar y actualizar los modelos sustitutos. Tercero, la población de redes neuronales evoluciona a través de un algoritmo evolutivo multiobjetivo, donde los modelos sustitutos aceleran la evaluación del rendimiento de las redes. Finalmente, los segundo y tercer pasos se realizan alternativamente hasta lograr una arquitectura de red con alta precisión y robustez. Los resultados experimentales muestran que el método propuesto supera a algunas redes neuronales clásicas diseñadas artificialmente y otros algoritmos de búsqueda de arquitectura en términos de robustez.