ABSTRACT Natural language is a key form of business communication. Textual analysis is the application of natural language processing (NLP) to textual data for automated information extraction or measurement. We survey publications in top accounting journals and describe the trend and current state of textual analysis in accounting. We organize available NLP methods in a unified framework. Accounting researchers have often used textual analysis to measure disclosure sentiment, readability, and disclosure quantity; to compare disclosures to determine similarities or differences; to identify forward‐looking information; and to detect themes. For each of these tasks, we explain the conventional approach and newer approaches, which are based on machine learning, especially deep learning. We discuss how to establish the construct validity of text‐based measures and the typical decisions researchers face in implementing NLP models. Finally, we discuss opportunities for future research. We conclude that (i) textual analysis has grown as an important research method and (ii) accounting researchers should increase their knowledge and use of machine learning, especially deep learning, for textual analysis. RÉSUMÉ L'analyse textuelle en comptabilité : quelle est la prochaine étape? Le langage naturel est une forme essentielle de communication d'entreprise. L'analyse textuelle correspond à l'application du traitement du langage naturel (TLN) aux données pour extraire ou mesurer automatiquement des informations. Les auteurs examinent les publications des principales revues de comptabilité et décrivent la tendance et l'état actuel de l'analyse textuelle en comptabilité. Ils classent les méthodes TLN pratiquées dans un cadre unifié. Les chercheurs en comptabilité ont souvent utilisé l'analyse textuelle pour mesurer le sens, la lisibilité et la quantité des informations fournies, pour comparer les informations afin d'établir les similarités ou les différences, pour identifier les informations prospectives et pour détecter les thèmes. Pour chacune de ces tâches, les auteurs expliquent l'approche conventionnelle et les approches plus récentes, qui sont basées sur l'apprentissage automatique, en particulier l'apprentissage profond. Ils discutent de la manière d'établir la validité d'exécution des mesures basées sur le texte et des décisions typiques auxquelles les chercheurs sont confrontés lors de la mise en œuvre des modèles de TLN. Enfin, les auteurs discutent des possibilités de recherches futures. Ils concluent que (i) l'analyse textuelle s'est développée en tant que méthode de recherche importante et (ii) les chercheurs en comptabilité devraient accroitre leurs connaissances et leur utilisation de l'apprentissage automatique, en particulier l'apprentissage profond, à des fins d'analyse textuelle.