Los eigenfaces se refieren a un enfoque sobre el reconocimiento de rostros que busca capturar la variación en una colección de imágenes de rostros y utilizar esta información para codificar y comparar imágenes de rostros individuales de una manera holística (en contraposición a una basada en partes). 

Las eigenfaces son los componentes invariables de una serie de caras, o lo que es lo mismo, los vectores propios de la matriz de covarianza del conjunto de imágenes de caras que forman una base de datos. 

Esto quiere decir, que extraen la información facial relevante, que puede o no estar directamente relacionada con la intuición humana de rasgos faciales como los ojos, la nariz y los labios. Una forma de hacerlo es capturar la variación estadística entre las imágenes faciales. Los eigenfaces pueden considerarse como un conjunto de rasgos que capturan la variación global entre las imágenes faciales. 

La idea de utilizar componentes invariables para representar rostros humanos fue desarrollada por Sirovich y Kirby (Sirovich y Kirby 1987) y utilizada por Turk y Pentland (Turk y Pentland 1991) para la detección y el reconocimiento de rostros. El enfoque de Eigenface es considerado por muchos como la primera tecnología de reconocimiento facial que funciona, y sirvió de base para uno de los principales productos comerciales de tecnología de reconocimiento facial. 

Desde su desarrollo y publicación iniciales, ha habido muchas extensiones del método original y muchos nuevos desarrollos en los sistemas de reconocimiento facial automático. Eigenfaces se sigue considerando a menudo como un método de comparación de referencia para demostrar el rendimiento mínimo esperado de un sistema de este tipo.