目前，大多数加速磁共振成像（MRI）的重建算法通过重建欠采样幅值图像，利用实值卷积进行特征提取，没有考虑MRI数据本身是复数，从而限制了对MRI复值数据的特征提取能力。为了提高对单个切片MRI复值数据特征提取能力，从而重建出细节更为清晰的单切片磁共振（MR）图像，提出复卷积双域级联网络（ComConDuDoCNet）。将原始欠采样MRI数据作为输入，使用残差特征聚合（RFA）块交替提取MRI数据的双域特征，最终重建出具有清晰纹理细节的MR图像。每个RFA块使用复卷积作为特征提取器。不同域间通过傅里叶变换或逆变换进行级联，并加入数据一致性层实现数据保真。在公开的膝关节数据集上进行实验，与双任务双域网络（DDNet）在采样率为20%的三种不同采样掩码下的对比结果表明，在二维高斯采样掩码下，所提算法的标准均方根误差（NRMSE）下降了13.6%，峰值信噪比（PSNR）提升了4.3%，结构相似性指数（SSIM）提升了0.8%；在泊松采样掩码下，所提算法的NRMSE下降了11.0%，PSNR提升了3.5%，SSIM提升了0.1%；在径向采样掩码下，所提算法的NRMSE下降了12.3%，PSNR提升了3.8%，SSIM提升了0.2%。实验结果表明，ComConDuDoCNet结合复卷积与双域学习，能够重建出细节更加清晰、视觉效果更加逼真的MR图像。
