针对倒装芯片振动信号缺陷特征微弱、信号成分复杂、缺陷类型多样的特点，提出一种结合完全自适应噪声集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，CEEMDAN)与神经架构搜索(Neural Architecture Search，NAS)的焊点缺陷检测方法。在CEEMDAN基础上提出特征指标水平商以指导本征模态函数(Ntrinsic Mode Functions，IMF)的筛选，并将重构信号作为深度网络模型的输入。另外，设计一种具有可变搜索空间与灵活节点数量的弹性特征提取架构(Elastic Feature Extraction Architecture，EFEA)算法，缓解NAS中GPU内存消耗过大与节点操作数量固化问题，便于重构信号的轻量化识别。分别在仿真信号与实验数据上进行验证，证明所提水平商在CEEMDAN分量筛选上的有效性及EFEA在有限硬件资源条件下焊点缺陷检测的准确性，可在部署到算力有限的真实工业边缘设备上展示出巨大的潜力。