La red integrada espacio-terrestre asistida por UAV proporciona una amplia cobertura y alta flexibilidad en servicios de comunicación. Los UAV y terminales terrestres colaboran para entrenar modelos y proporcionar servicios. Para proteger la privacidad de los datos, se utiliza ampliamente el aprendizaje federado. Sin embargo, la participación de los UAV y terminales terrestres no es gratuita, y es necesario establecer incentivos razonables para el aprendizaje federado con el fin de fomentar su participación. Para abordar los problemas anteriores, este documento propone un mecanismo de incentivos federado confiable basado en el aprendizaje por refuerzo jerárquico. El mecanismo asigna incentivos entre rondas en el nivel superior para garantizar la maximización de la utilidad del servidor, y realiza la asignación de incentivos entre clientes en el nivel inferior para garantizar la minimización de la latencia de cada ronda. La asignación de incentivos razonable permite al servidor central lograr una mayor precisión en el entrenamiento del modelo con un presupuesto de incentivos limitado, lo que reduce el costo del entrenamiento del modelo. Al mismo tiempo, se implementa un mecanismo de detección de ataques para identificar clientes maliciosos que participan en el aprendizaje federado, evitando su participación en la agregación y revocando sus incentivos. Esto garantiza mejor la seguridad del entrenamiento del modelo. Finalmente, se realizaron experimentos en Fmnist, y los resultados indican que este método mejora efectivamente la precisión y la seguridad del entrenamiento del modelo.