立体匹配是一个在计算机视觉中非常热议的话题。由于该方向可以通过使用摄像机获得的彩色图像较为简单地生成实际场景的3维信息,从而可以进行一系列的后续操作和处理,所以在很多方面得到广泛地使用,包括自动车、3D跟踪和3D重建。所有的立体匹配算法可以分为全局算法和局部算法。由于全局算法运行时间较长,局部算法却计算复杂度较小且算法处理比较简单,越来越多的研究者开始关注于局部算法。在局部算法的研究中,很多研究者发现,彩色图像中由于有很多遮挡、高光等区域,导致生成的原视差图中有很多无法匹配的点,也称作错误点,导致准确性较低。视差优化是局部立体匹配算法中非常重要的一步,这一步的作用是发现和更正在原视差图中的错误点并生成一个更加准确的最终视差图。由于这一步能够极大的提高视差图的质量且算法复杂度较为简单,所以越来越多的立体匹配研究者关注于这个方向。在视差优化的研究中,几乎所有的局部视差优化算法都需要为错误点构建一个准确的支持区域。这个支持区域必须能够找到与错误点相似的点。相似点的定义是像素点在相邻区域里有相同视差值或者在实际场景中处于一个平面的点。但是如何自适应地构建支持区域,使得能够有效地识别到物体边界成为一个重要课题。为了自适应地构建支持区域,基于十字的支持区域构建算法被广泛的使用。但是,传统的基于十字的方法受困于彩色图像中的纹理区域。这是由于,传统十字延伸依靠的是彩色深度的相似性。在纹理区域,由于色彩深度波动幅度较大,这会阻碍十字的延伸。为了有效改善这一问题,这篇论文提出了一种基于两步十字的视差优化算法。第一步是基于抗纹理十字的支持区域构建算法。为了减少纹理对十字构建的影响,多层结构提取被提出。这一步可以提取结构信息,滤除大多数纹理信息。然后有探索向量的抗纹理十字算法被使用来为错误点构建合适的支持区域。这里,探索向量可以识别纹理区域和结构区域。根据第一步构建的支持区域的方法和形状,算法的第二步被提出。这一步被称作基于权值十字的更新算法。算法使用支持区域中的正确点来更新支持区域中的错误点并得到最终视差图。我们使用Middlebury数据集来比较最终结果。实验结果显示,提出的方法可以自适应地构建支持区域并且可以提高最终视差图的准确性和鲁棒性。相比于传统的基于树结构的算法,提出的算法速度较快且准确性较高。提出的算法同时在保留物体边界上胜于现存视差优化算法。