可见光-红外行人重识别(VI-ReID)任务中的一个主要挑战是弥合可见光图像和红外图像之间的模态差距。现有的大多数方法将单模态特征提取器迁移到VI-ReID任务中,但没有充分考虑跨模态特征,并且采用以欧几里得距离作为常用度量的度量学习损失。然而,可见光和红外模态之间的巨大差异使得这类设计难以捕捉复杂的非线性跨模态关系。为了克服这些问题,本文提出了基于再生核希尔伯特空间的模态差异减少网络(RMDR-Net),该网络通过采用再生核希尔伯特空间(RKHS)相似性度量来优化跨模态差异。RMDR-Net包含一个新颖的高阶非线性判别损失,通过捕捉RKHS中特征之间的高阶非线性关系来初步减轻跨模态差异。此外,还设计了Gram矩阵一致性损失来增强模态内部和模态之间的分布一致性,从而揭示潜在的特征关系并进一步促进多模态对齐。另外,本文提出了多尺度增强双注意力模块来捕捉跨模态的细粒度差异并获得判别性特征。在多个公开数据集上的大量实验表明,我们的网络超越了其他最先进的方法。