近年来，基于深度学习的音乐源分离方法层出不穷。一些先进的方法表明，通过堆叠大量网络层并引入大量跳跃连接，能够显著提升信噪比（SDR）性能。尽管此类深度且复杂的网络架构表现出卓越的分离效果，但通常需要消耗大量的计算资源，并在训练与推理阶段耗费较多时间。本文提出了一种用于音乐解混的双流神经网络——KUIELab-MDX-Net，该模型在性能与资源消耗之间取得了良好的平衡。所提出的网络包含一个时频域分支和一个时域分支，两个分支分别对音轨进行分离，随后融合两路输出以生成最终的分离结果。在2021年ISMIR音乐解混挑战赛（Music Demixing Challenge）中，KUIELab-MDX-Net在Leaderboard A中获得第二名，在Leaderboard B中位列第三。本文还总结了该模型在另一个基准数据集MUSDB18上的实验结果。相关源代码已公开发布于网络。