(plurais corpus) ou corpo de texto é um conjunto estruturado e grande textos (agora geralmente eletronicamente armazenadas e processadas). São usados para fazer a análise estatística, verificação de ocorrências ou validação de regras lingüísticas no universo específico. Um corpus pode conter textos em uma linguagem única (monolíngüe corpus) ou dados de texto em vários idiomas (corpus multilingue). Corpus multilingue que foram especialmente formatados para side-by-side comparação são chamados corpus paralelos alinhados. a fim de tornar os corpus mais útil para fazer pesquisas linguísticas, muitas vezes são submetidos a um processo conhecido como anotação. Um exemplo de anotar um corpus é parte do discurso de marcação ou marcação de POS, nas quais as informações sobre parte do discurso da cada palavra (verbo, substantivo, adjetivo, etc.) são adicionadas ao corpo em forma de tags. Outro exemplo é que indica a forma de lema (base) de cada palavra. Quando a linguagem do corpus não é uma língua de trabalho dos investigadores que usá-lo, sucintamente interlinear é usado para fazer a anotação bilíngüe. Corpora é a principal base de conhecimento em lingüística de corpus. a análise e o processamento de vários tipos de corpora são também objecto de muito trabalho em lingüística computacional, reconhecimento de voz e tradução de máquina, onde eles são muitas vezes usados para criar modelos Markov ocultos para marcação de POS e outros fins. Corpus texto também são usados no estudo dos documentos históricos, por exemplo nas tentativas de decifrar os scripts antigos ou em bolsa de estudos bíblica.