La détection et la mitigation des interférences radiofréquence (RFI) sont essentielles pour permettre et maximiser la production scientifique des télescopes radio. L’émergence des méthodes d’apprentissage automatique a conduit à leur application en astronomie radio, notamment dans la détection de la RFI. Les réseaux neuronaux à impulsions (Spiking Neural Networks, SNN), inspirés des systèmes biologiques, se révèlent particulièrement adaptés au traitement de données spatio-temporelles. Cette étude présente la première application exploratoire des SNN à une tâche de traitement de données astronomiques, à savoir la détection de la RFI. Nous adaptons à l’exécution par SNN l’algorithme des plus proches voisins latents (NLN) et l’architecture d’auto-encodeur proposés par des auteurs précédents, via une conversion directe ANN → SNN, permettant ainsi une détection de RFI simplifiée par échantillonnage de l’espace latente naturellement variable issu des neurones à impulsions internes. Notre évaluation ultérieure vise à déterminer si les SNN sont viables pour les futures méthodes de détection de RFI. Nous évaluons les performances de détection sur un ensemble de données simulées du télescope HERA et sur un ensemble de données observées par LOFAR, étiquetées manuellement par les auteurs originaux. Nous évaluons également les performances sur un nouveau jeu de données simulées inspiré du télescope MeerKAT, qui pose un défi technique aux méthodes d’apprentissage automatique pour la détection de RFI. Ce jeu de données se concentre sur la RFI émise par des satellites, une catégorie de RFI en croissance croissante, constituant une contribution supplémentaire. Notre approche reste compétitive par rapport aux méthodes existantes en termes d’AUROC, d’AUPRC et de score F1 sur le jeu de données HERA, mais éprouve des difficultés sur les jeux de données LOFAR et Tabascal. Tout en maintenant cette précision, notre méthode élimine complètement l’étape coûteuse en calcul et en mémoire associée à l’échantillonnage latente présente dans NLN. Ce travail démontre la faisabilité des SNN comme voie prometteuse pour la détection de RFI fondée sur l’apprentissage automatique dans les télescopes radio, en établissant une borne de performance minimale sur des sources classiques de RFI ainsi que sur des sources émergentes de RFI par satellite, et constitue, à notre connaissance, le premier travail à appliquer les SNN en astronomie.