El emparejamiento de características es crucial en el reconocimiento de imágenes. Sin embargo, el desenfoque causado por cambios en la iluminación a menudo conduce a desviaciones en la similitud basada en la apariencia local, lo que resulta en coincidencias ambiguas o falsas, un desafío persistente en la visión por computadora. Para abordar este problema, este artículo propone un método llamado MultS-ORB (Multistage Oriented FAST and Rotated BRIEF). El método propuesto conserva todas las ventajas del algoritmo ORB tradicional mientras mejora significativamente la precisión del emparejamiento de características bajo el desenfoque inducido por la iluminación. Específicamente, primero genera pares iniciales de emparejamiento de características utilizando KNN (K-Nearest Neighbors) basado en la similitud de descriptores en el espacio de Hamming. Luego, al introducir una restricción de suavidad de movimiento local, se aplica GMS (Estadísticas de Movimiento Basadas en Cuadrícula) para filtrar y optimizar los emparejamientos, reduciendo efectivamente la interferencia causada por el desenfoque. Posteriormente, se emplea el algoritmo PROSAC (Consenso de Muestreo Progresivo) para eliminar aún más las correspondencias falsas resultantes de cambios en la iluminación. Esta estrategia multietapa produce emparejamientos de características más precisos y confiables. Los resultados experimentales demuestran que para imágenes borrosas afectadas por cambios en la iluminación, el método propuesto mejora la precisión del emparejamiento en un promedio del 75%, reduce el error promedio en un 33.06% y disminuye el RMSE (Error Cuadrático Medio) en un 35.86% en comparación con el algoritmo ORB tradicional.