本文针对自主航天器在轨运行时面临的网络射频（RF）威胁，提出采用TinyML（微型机器学习）技术实现轻量级、低延迟的机载检测。研究以SPARTA攻击模型为基础，覆盖了上行链路干扰、Fake-NR欺骗、有效载荷篡改、地面段入侵以及未授权命令注入五类典型威胁。作者系统分析了四种经典机器学习模型（随机森林、逻辑回归、支持向量机、多层感知机）在TinyML兼容环境下的延迟-准确率权衡。理论分析部分结合物理信息，计算各模型的计算复杂度、VC维、Lipschitz连续性及延迟缩放特性；实证部分则利用BandErasure、FakeNR和NoiseBurst三种对抗性RF频谱图生成方式，在合成数据集上测量性能。实验结果表明，逻辑回归模型在微秒级推理速度下，准确率仅比随机森林低约1%，因此被推荐为机载自主检测的有效TinyML基线。研究还指出，通过引入更丰富的特征编码器和多时间尺度学习架构，可进一步提升航天器网络安全的检测能力，这为边缘智能与可信AI在航天领域的应用提供了方向。本文适合航天网络安全、嵌入式AI以及TinyML技术的研究者和工程师阅读。