磁共振成像（MRI）是医学成像等领域的一种重要技术,其主要缺点是数据采集时间长、成像速度不够快。压缩感知磁共振成像（CS-MRI）极大地加快了采集过程,并生成可观的重建图像。深度学习被引入到CS-MRI中,进一步地加快了重建过程,提高了图像质量。近年来,利用二级级联U-net结构作为生成器的生成对抗网络（GAN）被证明在MRI重建中是有效的。然而,以前的级联结构仅限于少数特征信息传播通道,因此可能导致信息丢失。本文提出了一种基于改进二级级联U-net结构的生成对抗网络DBGAN,用于从欠采样的k空间数据重建磁共振图像。该模型在生成器中构建了双分支解码器,引入了双线性插值解码器来补充反卷积解码器的缺失信息,而且在两个端到端级联U-net之间使用跨级跳跃连接（CSSC）来拓宽特征传播的通道;此外,为了避免训练和测试之间的不一致性,采用实例归一化（IN）替换经典的批量归一化（BN）;最后,在损失函数中引入阶段损失,以提高网络性能。通过五种不同欠采样模式、四种欠采样率下进行测试的实验结果表明,在T1加权正常脑部数据集上,与最先进的ESSGAN相比,所提出的DBGAN模型在峰值信噪比（PSNR）和归一化均方误差（NMSE）方面实现了 3.65dB和0.016的平均提升。此外,DBGAN参数少、速度快——模型参数不到ESSGAN的一半,每个256 × 256大小的二维图像在60毫秒内可以完成重建,适合实时处理。进一步地,我们验证了 DBGAN在多模态欠采样脑部磁共振图像上的重建效果,实验结果表明DBGAN对于不同模态的脑部病理图像都有可观的重建表现（在T1、T2、T1c和Flair四种模态上分别比ESSGAN降低了 0.003、0.011、0.013 和 0.004 的 NMSE 和提升了 0.89dB、1.83dB、1.75dB 和 0.79dB 的 PSNR）。紧接着我们在DBGAN的基础上利用跨级跳跃连接（CSSC）对网络进行加深,构建双分支多级级联U-net作为生成器,提出DBGAN+和DBGAN++。结果表明,对于T1加权正常脑部数据集,所提出的DBGAN+和DBGAN++的重建表现对比起DBGAN有一定的提升（DBGAN+比DBGAN平均提升了 0.57dB的PSNR,降低了 0.005 的 NMSE;DBGAN++比 DBGAN 平均提升了 0.88dB 的 PSNR,降低了 0.008 的 NMSE）。