Para la estimación de la dirección de llegada (DoA), el método de aprendizaje profundo basado en datos tiene una ventaja sobre los métodos basados en modelos, ya que es más robusto contra las imperfecciones del modelo. Convencionalmente, las redes se basan únicamente en regresión o clasificación y pueden llevar a un entrenamiento inestable y una resolución limitada. Alternativamente, este artículo propone una red neuronal de dos ramas (TB-Net) que combina clasificación y regresión en paralelo. La rama de clasificación basada en cuadrícula se optimiza mediante la pérdida de entropía cruzada binaria (BCE) y proporciona una máscara que indica la existencia de las DoA en las cuadrículas predefinidas. La rama de regresión perfecciona las estimaciones de DoA al predecir las desviaciones de las cuadrículas. En la capa de salida, las salidas de las dos ramas se combinan para obtener las estimaciones finales de DoA. Para lograr un modelo ligero, solo se utilizan capas convolucionales en el TB-Net propuesto. Los resultados de la simulación demostraron que en comparación con los métodos basados en modelos y los métodos de aprendizaje profundo existentes, el método propuesto puede lograr una mayor precisión en la estimación de DoA en presencia de imperfecciones del modelo y solo tiene un tamaño de 1.8 MB.