La detección de componentes de naves espaciales es esencial para las misiones espaciales, como el encuentro y el ensamblaje en órbita. Los algoritmos de detección inteligente tradicionales sufren de desventajas relacionadas con la alta carga computacional y no son aplicables para su uso a bordo. Este artículo propone un algoritmo ligero basado en redes neuronales convolucionales (CNN) para la detección de componentes de naves espaciales. Se presenta primero un enfoque ligero basado en el módulo Ghost y la compresión de canales para disminuir la cantidad de procesamiento y almacenamiento de datos requeridos por el algoritmo de detección. Para mejorar la extracción de características, analizamos las características de las imágenes de naves espaciales, y se utiliza la autoatención multi-cabeza. Además, se incorpora una red de pirámide de características bidireccional ponderada en el algoritmo para aumentar la precisión. Las simulaciones numéricas muestran que el método propuesto puede reducir drásticamente la sobrecarga computacional mientras garantiza una buena precisión en la detección.