(plural corpora) ou corpo de texto é um conjunto de grande e estruturado de textos (agora geralmente eletronicamente armazenadas e processadas). São usados para fazer a análise estatística, verificando as ocorrências ou validação de regras lingüísticas no universo específico. A corpus pode conter textos em um único idioma (corpus monolíngues) ou dados de texto em vários idiomas (multilingual corpus). Corpus multilingue que foram especialmente formatados para comparação lado-a-lado são chamados de corpora paralelo alinhado. a fim de tornar os corpus mais útil para fazer pesquisas linguísticas, que muitas vezes estão sujeitos a um processo conhecido como anotação. Um exemplo de anotando um corpus é parte-de-discurso-tagging, ou POS-marcação, em que as informações sobre a parte da fala de cada palavra de (verbo, substantivo, adjetivo, etc.) são adicionadas ao corpo na forma de etiquetas. Outro exemplo é indicando a forma de Louise (base) de cada palavra. Quando a linguagem do corpus não é uma língua de trabalho dos pesquisadores que usá-lo, anotando interlinear é usado para fazer a anotação bilíngüe. Corpora é a principal base de conhecimento em linguística de corpus. a análise e o processamento de vários tipos de corpora são também objecto de muito trabalho em Linguística computacional, reconhecimento de voz e tradução de máquina, onde muitas vezes são utilizados para criar modelos de Markov ocultos para POS-tagging e outros fins. Texto corpora também é usado no estudo de documentos históricos, por exemplo nas tentativas de decifrar caligrafias antigas ou no estudo bíblico.