(plural corpusuri) sau textul corpus este un set mare şi structurat de texte (acum obicei electronic stocate si prelucrate). Acestea sunt folosite pentru a face analize statistice, verificarea ocurenţe sau validarea normelor lingvistice specifice universului. A corpus pot conţine texte într-o singură limbă (Monolingv corpus) sau date text în mai multe limbi (corpus multilingv). Corpilor multilingv, care au fost formatate special pentru side-by comparaţie parte sunt numite aliniate corpusuri paralele. Pentru a face corpul mai utilă pentru a face cercetare lingvistică, ele sunt adesea supus unui proces cunoscut ca adnotare. Un exemplu de adnotare un corpus este parte-a-discurs-etichetare sau POS-etichetare, în care informaţii despre fiecare cuvânt parte de vorbire (verbul, substantivul, adjectivul, etc.) se adaugă la corpus sub forma de Tag-uri. Un alt exemplu este indicând Lema (bază) sub formă de fiecare cuvânt. Atunci când limba de corpus nu este o limbă de lucru de cercetători care să-l utilizaţi, atenua hibrid este folosit pentru a face adnotare bilingvă. Corpilor sunt principala bază de cunoştinţe în corpus lingvistică. Analiză şi procesare de diferite tipuri de corpii sunt, de asemenea, obiectul de mult de lucru în lingvistica computaţională, recunoaștere vorbire şi traducere automată, în cazul în care acestea sunt utilizate des pentru a crea modele Markov ascunse pentru etichetarea POS şi alte scopuri. Corpii text sunt de asemenea folosite în studiul de documente istorice, de exemplu în încercările de a descifra scripturi antice, sau în cercetarea biblică.