Originea limbii române este strict legată de procesul de formare a poporului român, prin urmare, o putem considera la fel de controversată. Din punct de vedere lingvistic, este cert că limba română provine din romanizarea populațiilor antice din bazinul Dunării de jos care, așa cum ne-o spun Herodot și ceilalți autori antici, erau popoare traco-dace, iar ulterior, această limbă a fost influențată de limbile slave, greacă, maghiară și altele. Acesta este punctul de unde au luat naștere diverse teorii referitoare la etnogeneza românească, prin urmare, cu referință și la formarea limbii române. Controversele privesc nu atât procesul lingvistic și etapele sale, cât teritoriile unde acest proces s-a derulat și întinderea lor. Maria Cvansîi Cătănescu afirmă în „Limba Română. Origini și Dezvoltare” că „Astăzi se acceptă, în general, că istoria veche a românilor este expresia unui proces major, de sinteză daco-romană, și a unui proces adiacent, de integrare și de asimilare a elementului migrator”.
Teoria Continuității în Dacia și Moesia susține că nucleul original al limbii române, și deci al etnogenezei românilor, se afla atât în nordul cât și în sudul Dunării (într-o zonă cuprinzând Dacia și Moesia) în timp ce Dacii liberi au migrat spre Balcani alungați de năvălirile goților, hunilor și slavilor, constituind în definitiv poporul albanez, și explicând astfel cuvintele comune dintre limba albaneză și cea română. Tot năvălirile slavilor și cruntul război al bizantinilor împotriva bulgarilor în timpul domniei împăratului Vasile al II-lea Bulgarohtonul, au despărțit definitiv românii din nordul Dunării de aromânii din sud, care au părăsit Moesia pentru a se refugia în Munții Pindului și în Tesalia.
Teoria Strămutării din Balcani spre Dacia pornește, pe de altă parte, de la relatările lui Eutropius (care afirmă că toți locuitorii Daciei ar fi fost transferați în sudul Dunării în momentul retragerii romanilor) și de la scrierile lui Eduard Robert Rösler care consideră că proximitatea geografică în Balcani explică de ce există cuvinte comune între limbile albaneză și română, și conclude că nucleul original al limbii române trebuie căutat în actuala Macedonie, de unde migrații ulterioare, în secolul XIII, ar fi adus « vlahii » în nordul Dunării, la chemarea regilor maghiari, pentru a popula Transilvania până atunci deșartă. Lingviștii din Austria și Ungaria sunt favorabili acestei ipoteze, deoarece ea se potrivește cu teoriile oficiale ale acestor țări, conform cărora nu existau populații romanice în Transilvania în momentul sosirii maghiarilor. În această teorie, limba aromână este cea mai apropiată de forma originală a limbii române.
Teoria cea mai răspândită, totuși, între istoricii români contemporani este aceea derivată din teoria romanizării definitive și statornice a Daciei. Conform acestei variante, Imperiul Roman a colonizat Dacia într-o perioadă foarte scurtă de timp cu o masă reprezentativă de coloniști veniți din tot Imperiul, dar în special de cultură latină (aproximativ 80%). Argumentele pentru această colonizare intensivă sunt în particular legate de dârzenia apărării dacice, care, conform izvoarelor latine, a aruncat în luptă aproape toată populația de sex masculin a provinciei, lăsând în urma războaielor o populație decimată. S-a ajuns astfel la o reprezentare infimă a numelor geto-dacice în inscripțiile rămase (au fost studiate aproximativ 4 000 de inscripții, dintre care numai 2% conțineau nume de geto-daci, față de aproximativ 30% ca reprezentare a populației autohtone în alte provincii romanizate).În urma acestei colonizări neobișnuite a unei provincii romane (acest fenomen nu se mai petrecuse niciodată în Imperiu), limba originală a provinciei, limba dacă, ar fi dispărut, mai puțin câteva cuvinte păstrate în bagajul curent al limbii române. O aproximare ar fi cam de 89 de cuvinte sigure, printre care se află „baltă”, „barză”, „brad”, „brâu”, „buză”, „căpușă”, „cătun”, „cioară”, „copac”, „groapă”, „grumaz”, „mal”, „mazăre”, „măgură”, „mânz”, „năpârcă”, „pârâu”, „pupăză”, „strungă”, „șopârlă”, „vatră”, „viezure” și altele. La acestea mai pot fi adăugate câteva nume de râuri – „Argeș”, „Criș”, „Motru”, „Mureș”, „Olt”, precum și alte câteva elemente – în fonetică (vocala „ă”, consoanele „ș” și „h”).
Cert este că limba latină s-a instalat în noua provincie odată cu administrația și cu armata romană. La fel ca în celelalte provincii cucerite, într-o primă fază, dacii au fost siliți de nevoile practice ale vieții să adopte latina ca limbă secundară, folosind- o în relațiile lor cu administrația, cu armata și cu coloniștii romani. Se știe din scrierile latinești că în Gallia, de exemplu, cei care au adoptat la început limba latină au fost nobilii și comercianții. Primii și-au trimis copiii la școli romane pentru că numai astfel puteau promova în magistratura Imperiului. Comercianții aveau și ei interes să o învețe, fiindcă latina era limba comerțului din întregul Imperiu.
În a doua fază, latina a devenit mijlocul de comunicare principal; vechile populații și-au abandonat limba maternă, a cărei sferă de utilizare s-a restrâns din ce în ce mai mult (mai era folosită, probabil, ca limbă de conversație în familie). Acest proces de adoptare a limbii latine și de părăsire a limbii materne se numește romanizare și a avut loc în toate regiunile cucerite de romani. Limba română, la fel ca orice altă limbă, se află în continuă schimbare. În mod similar se vorbește și despre limba latină, care, ajungând la timpul ei în diversele zone ale Imperiu, a fost schimbată încet-încet de către oameni, cărora li se părea poate că un anume cuvânt este relativ complicat de pronunțat așa cum era. Astfel a apărut latina vulgară, care nu se referă la obscenitate, ci la faptul că vorbită de către popor, nefiind îngrijită sau adoptată scrisului. În timp, pentru că schimbările s-au petrecut diferit în funcție de zonele geografice, după destrămarea Imperiului (secolul 4), latina vulgară s-a dezvoltat în varietăți ce devin, cu timpul, limbile romanice.
La nivelul lexicului, româna preia o majoritate covârșitoare de cuvinte, semnificativă fiind frecvența lor în uzul curent – substantive denumind părțile corpului („barbă”, „braț”, „cap”, „creier”, „dinte”, „față”, „gură”, „inimă”, „mână”), membrii familiei („cumnat”, „frate”, „ginere”, „mamă”, „nepot”, „soră”, „tată”, „unchi”), elemente ale naturii („apă”, „câmp”, „lac”, „munte”, „pădure”), elemente ale vegetației („arbore”, „ceapă”, „codru”, „floare”, „grâu”, „iarbă”, „măr”), animale („albină”, „arici”, „armăsar”, „bou”, „cal”, „câine”), unități ale timpului („an”, „azi”, „dimineață”, „iarnă”, „lună”, „noapte”, „săptămână”) sau verbe care indică acțiuni esențiale („aduce”, „ajunge”, „alerga”, „asculta”, „auzi”, „avea”, „bate”, „bea”, „cădea”, „cânta”, „cere”, „cunoaște”, „fi”, „fugi”, „intra”, „învăța”, „judeca”, „lua”). Din limba latină, româna preia reorganizând și simplificând, declinările substantivelor (trei în limba română, față de cinci, în latină), sistemul cazurilor (renunțându-se, totuși la cazul ablativ din latină), patru tipuri de conjugare, modurile și timpurile verbale, precum și pronumele, mare parte a numeralelor, numeroase adverbe, dar mai ales prepozițiile și conjuncțiile.
Abordând o problemă gramaticală, în comparație cu celelalte limbi romanice, ne vom referi la utilizarea articolului hotărât enclitic. În franceză, traducând din română cuvântul „fata”, vom obține „la fille”, putând observa cum articolul hotărât rămâne în fața substantivului. Acest lucru este strâns legat de modul în care în latină ne-am fi referit la „acea fată”, „acea” fiind articolul demonstrativ care în funcție de gen, devine „ale”, „ila” și „ilud” în latină, „le” și „la” în franceză (se pierde neutrul) sau „el”, „la” și „lo” în spaniolă. Ceea ce atrage atenția lingviștilor este că limba română păstrează rădăcina aceluiași articol demonstrativ, însă aceasta se mută la finele cuvântului și se schimbă. Obținem în primă fază „fataila”, iar mai târziu, datorită simplificării, „fata”. Motivul pentru care se întâmplă întocmai este legat de faptul că și limbile slavice utilizează articolul enclitic la finalul cuvântului, chiar dacă în mod sigur nu-l derivă dintr-o rădăcină latină; influența slavă asupra limbii române este de cea mai mare importanță, aceasta desfășurându-se odată cu migrația slavilor pe teritoriile de la sud de Dunăre, undeva la mijlocul secolului al VI-lea.
Lexicul de proveniență slavă conține mai ales substantive comune, care privesc omul și familia(„babă”, „gât”, „gleznă”, „nevastă”), casa, obiectele de uz casnic și uneltele („ciocan”, „clește”, „coasă”, „grajd”, „lopată”, „ogradă”, „pivniță”, „sat”, „uliță”), flora și fauna („hrean”, „ovăz”, „bivol”, „cocoș”, „rac”), elemente ale naturii („crâng”, „deal”, „iaz”, „izvor”, „luncă”), termeni bisericești („mucenic”, „monah”, „pomană”, „schit”, „sfânt”, „slavă”), noțiuni abstracte („duh”, „milă”, „muncă”, „noroc”, „nevoie”, „silă”); întâlnim și substantive proprii, nume de persoane („Bogdan”, „Dan”, „Cârstea”, „Neagu”, „Radu”) sau de locuri („Comarnic”, „Cozia”, „Ialomița”, „Ilfov”, „Prahova”). De asemenea, sunt de proveniență slavă unele verbe („citi”, „clădi”, „dărui”, „hrăni”, „iubi”, „logodi”, „munci”, „plăti”, „pomeni”), adjective („drag”, „lacom”, „mândru”, „prost”, „scump”, „viteaz”, „voinic”, „zdravăn”, „vesel”), ca și multe dintre sufixe („-ac”, „-alnic”, „-anie”, „-aș”, „-că”, „-ean”). Totuși, limba română rămâne circa 70% latină, chiar dacă numai o treime din vocabular este moștenit direct. Restul provine din limbile franceză, italiană sau din latina științifică, și au fost readuse în română prin împrumuturi. Acesta se numește procesul de relatinizare și a avut loc în secolul al XIX-lea. S-a estimat că aproximativ 38% din cuvintele românești sunt de origine franceză sau italiană.
De aproximativ o sută cincizeci de ani au intrat în limbă și multe cuvinte împrumutate din engleză, precum „gem” (din „jam”), „interviu” („interview”), „meci” („match”), „tramvai” („tramway”), „manager” („manager”). Aceste cuvinte primesc gen gramatical și se acordă conform regulilor limbii române. Însă începând aproximativ din anul 1990, cuvintele englezești, în pofida recomandărilor Academiei Române și a „legii Pruteanu", nu mai îmbogățesc limba română primind gen gramatical și acordându-se conform regulilor limbii, ci sunt folosite de mass-media și de populația din România în forma de origine, ca în limbile abstand nescrise, precum „mall” („galerie comercială”), „service” („deservire”), „computer” („ordinator”, „calculator”), „forward” („retransmitere”) sau „attach” („ataș”). Refuzul de a româniza cuvintele străine este socotit de autori precum George Pruteanu o formă de snobism, ce judecă greșit adoptarea cuvintelor în formele române ca fiind arhaică.
Câteva cuvinte de origine latină au pătruns în limba română de două ori, o dată în nucleul lexical (în vocabularul popular) și ulterior ca neologisme. De obicei cuvântul popular este un substantiv, iar neologismul este adjectiv (de exemplu: „frate”/„fratern”, „apă”/„acvatic”, „deget/digital”, „înger/angelic”, „frig / frigid”, „ochi / ocular”).