El detector de campo eléctrico del satélite CSES ha capturado una gran cantidad de eventos de silbidos de rayos. Para reconocerlos de manera efectiva a partir de la masiva cantidad de datos del detector de campo eléctrico, un algoritmo de reconocimiento basado en tecnología de voz ha atraído la atención. Sin embargo, este enfoque ha fallado en reconocer los eventos de silbidos de rayos que están contaminados por otras perturbaciones electromagnéticas de baja frecuencia. Para superar esta limitación, aplicamos el método de separación ciega de fuentes de un solo canal y un enfoque de reconocimiento de audio para desarrollar un modelo novedoso, que consta de dos etapas. (1) La etapa de entrenamiento: Primero, preprocesamos los datos de onda del detector de campo eléctrico en el fragmento de audio. Luego, para cada fragmento de audio, se extraen los coeficientes cepstrales en frecuencia mel y se introducen en la red de memoria a largo y corto plazo para entrenar el nuevo modelo de reconocimiento de silbidos de rayos. (2) La etapa de inferencia: Primero, procesamos cada fragmento de audio con la separación ciega de fuentes de un solo canal para generar dos sub-señales diferentes. Luego, para cada sub-señal, se extraen las características de los coeficientes cepstrales en frecuencia mel y se introducen en el modelo de reconocimiento de silbidos de rayos para reconocer el silbido de rayos. Finalmente, los dos resultados anteriores se procesan mediante fusión de decisiones para obtener el resultado final de reconocimiento. Los resultados experimentales basados en los datos del detector de campo eléctrico del satélite CSES demuestran la efectividad del algoritmo. En comparación con los métodos clásicos, la precisión, el recall y la puntuación F1 de este algoritmo pueden aumentar en un 17%, 62.2% y 50%, respectivamente. Sin embargo, el costo de tiempo solo aumenta en 0.41 s.