哈萨克语隶属于阿尔泰语系突厥语族,是一种典型的黏着语。国内的哈萨克文使用阿拉伯字母拼写,属于拼音文字,由24个辅音字母、9个元音字母和一个软音符号组成。在电子文本中,哈萨克文字编码采用国际通用Unicode编码存储。从结构上讲,哈萨克语词通常包括词根、词干(词根+词缀)、附加成分(词缀和词尾)三部分。哈萨克语是形态发达的语言,构形词尾数量众多,通常一个词尾对应表达一种语法意义,当需要同时表达多种语法意义时,可依次在词干上缀接多个表达不同语法意义的词尾。哈萨克语语法结构的严整和缀接构形词尾具备规则性为哈萨克实现形态分析提供了便利。语料库与自然语言信息处理有着相辅相成的关系,大规模的语料库需要用统计语言模型的方法处理自然语言的基础资源。因此,自动形态分析是大规模构建语料库的前提,而哈萨克语自动形态分析主要任务是实现词干提取和词性标注。词干提取就是对给定的单词,通过自动形态分析提取出表达该词汇原始词汇意义的有效字符串,切分出表达语法意义的各个附加成分。词干提取和词性标注是黏着语自然语言处理词法分析的一个重要的环节,在哈萨克语里,词干提取遇到的主要问题是词干提取歧义,未登录词和词干不规则形变还原。本文所建立的平衡语料库以规范性和易获取性为基本原则,在此基础上选择来自人民网的哈萨克语web资源作为语料库的来源。通过程序自动形态分析,实现对20.7万词web语料的词干提取和词性标注,并据此构建标注语料库。建立哈萨克语语料库具有直接的实用价值,为哈萨克语究者提供了语料库研究方法的可能,同时为语言教学、词典编撰及机器翻译等工作提供便利。