针对目前深度学习方法研究多依赖于从地震振幅等单一属性中提取断层特征，存在断层连续性差、断层漏检等问题，提出了一种并行属性输入的断层智能识别方法。该方法采用多层次融合策略构建了双属性并行融合网络(PE-Net:Parallel Elements Network)。首先，将蚂蚁体和振幅属性分别输入蚂蚁体和振幅特征提取网络，利用属性密集特征模块AIFM(Attribute Intensive Feature Module)捕捉两个路径不同角度的断层特征；其次，利用两种属性特征模块ANT(Ant Body Attribute Feature Extraction Module)和AMP(Amplitude Attribute Feature Extraction Module)对各分支的输出进行跨层特征整合，挖掘多尺度信息并缓解尺度变化；最后，采用特征融合模块(FFM:Feature Fusion Module)将两条并行支路的通道整合，减少单一属性的局限性。合成数据结果表明，PE-Net模型的准确率达到97.95%,相较于U-Net模型，精度提高1.33%。Kerry3D的断层识别结果以及消融实验表明，该方法能获取更多的上下文断层特征信息，减少断层漏检和误检情况，从而有效提高复杂断层识别的准确性，增强小断层的识别效果。