符号人工智能（英语：Symbolic artificial intelligence）是人工智能研究中的一个集合术语，泛指所有“基于问题、逻辑和搜索的高级‘符号’（人类可读）表征”的方法。从1950年代中期到1980年代后期，符号AI一直是AI研究的主要范式 。
1985年，约翰·豪格兰（英语：John Haugeland）在他的书《 人工智能：非常的想法 》中探讨了人工智能研究的哲学含义，将符号人工智能命名为GOFAI（Good Old-Fashioned Artificial Intelligence，指的是“有效的老式人工智能）。在机器人学领域 ，类似的术语是GOFR（“有效的老式机器人学”）。
该方法基于这样的假设：“智能的许多特征可以透过符号处理来实现。”在1960年代中期，艾伦·纽厄尔和赫伯特·西蒙将该假设定义为“物理符号系统假设”。
符号人工智能中，有一种常用的形式是专家系统 ，该系统使用产出规则网络。产出规则是以类似“If-Then语句的关系”来连接符号。专家系统会使用人类可读的符号来处理规则，借此进行推论，并确定还需要哪些其他信息，也就是还要问什么问题。
符号方法的反对者包括罗德尼·布鲁克斯等机器人学专家 ，他们打算生产无符号表征（或仅具最低限度的表征）的自律机器人，其它反对者还包括计算智能研究人员，他们应用诸如人工神经网络和优化之类的技术来解决机器学习和控制工程中的问题 。
符号人工智能的目的是在机器中产生通用的、类人的智能，而大多数现代研究是针对特定的子问题。目前对通用智能的研究集中在通用人工智能的子领域中 。
最初，机器被设计成“根据符号表示的输入”来制定输出。当输入是明确的且属于确定性时，输出就会使用符号。但是，当存在不确定性时，表征会使用"模糊逻辑"完成（例如，在制定预测的时候）。这在人工神经网络中可以看到。
