深度学习技术在地震反演中得到了广泛应用,但在裂缝属性反演中仍面临显著挑战。标记数据的有限性及缺乏地球物理约束会严重影响预测精度。为解决这些问题,本文提出一种模型-数据双驱动的网络系统。针对标记数据不足的问题,我们引入基于数据增强技术的半监督学习框架,利用未标记数据提升训练集的多样性,从而增强学习过程的鲁棒性。此外,通过将初始模型约束融入反演网络,确保反演过程于符合地球物理规律的初始点开始。基于水平横向各向同性(HTI)介质理论,我们构建了能够明确描述裂缝属性与方位地震数据关系的正演模型。该模型通过方位PP波反射系数方程与地震子波的卷积运算实现,生成裂缝弱度参数的地震响应特征。这些方法将有机形成一套高精度的模型-数据双驱动裂缝属性反演网络。为验证所提方法的有效性,我们将其应用于实际数据中。结果表明,该网络在裂缝弱度反演中表现优异,显著提升了反演精度。