Die Erkennung und Minderung von Funkstörungen im Radiofrequenzbereich (Radio Frequency Interference, RFI) ist entscheidend für die Gewährleistung und Maximierung der wissenschaftlichen Ausbeute von Radioteleskopen. Die Entwicklung von Methoden des maschinellen Lernens hat zu deren Anwendung in der Radioastronomie, insbesondere bei der RFI-Erkennung, geführt. Spiking Neural Networks (SNNs), die durch biologische Systeme inspiriert sind, eignen sich besonders gut zur Verarbeitung von raumzeitlichen Daten. Diese Studie präsentiert die erste explorative Anwendung von SNNs auf eine astronomische Datenaufbereitungsaufgabe, speziell die RFI-Erkennung. Wir übertragen den von früheren Autoren vorgeschlagenen Algorithmus der nächsten latenten Nachbarn (Nearest-Latent-Neighbours, NLN) und die Autoencoder-Architektur durch direkte Umwandlung von künstlichen neuronalen Netzen (ANN) in SNNs, wodurch eine vereinfachte nachgeschaltete RFI-Erkennung durch Abtastung des natürlicherweise variierenden latenten Raums aus den inneren spiking Neuronen ermöglicht wird. Unser anschließendes Evaluationsverfahren zielt darauf ab, zu prüfen, ob SNNs für zukünftige RFI-Erkennungssysteme geeignet sind. Die Erkennungsleistung wird anhand des simulierten HERA-Teleskops und eines handbeschrifteten LOFAR-Beobachtungsdatasets evaluiert, das die ursprünglichen Autoren bereitgestellt haben. Zusätzlich wird die Leistung an einem neuen, auf MeerKAT basierenden Simulationsdatensatz bewertet, der eine technische Herausforderung für maschinenlernbasierte RFI-Erkennungsmethoden darstellt. Dieser Datensatz konzentriert sich auf satellitengestützte RFI, eine zunehmend bedeutende Kategorie von Störungen, und stellt damit eine zusätzliche Beitragsleistung dar. Unser Ansatz bleibt bei dem HERA-Datensatz mit bestehenden Methoden in Bezug auf AUROC, AUPRC und F1-Scores konkurrenzfähig, zeigt jedoch Schwierigkeiten bei den LOFAR- und Tabascal-Datensätzen. Gleichzeitig erreicht unsere Methode diese Genauigkeit, ohne die rechen- und speicherintensive Schritt der latenten Abtastung, wie sie in NLN vorkommt, vollständig zu eliminieren. Diese Arbeit demonstriert die Eignung von SNNs als vielversprechende Perspektive für maschinenlernbasierte RFI-Erkennung in Radioteleskopen, indem sie eine minimale Leistungsgrundlage sowohl für traditionelle als auch für neuartige, satellitengestützte RFI-Quellen etabliert und damit die erste Studie darstellt, die SNNs in der Astronomie anwendet.