Continuous-time system identification is an important subject with applications within many fields. Many physical processes are continuous in time. Therefore, when identifying a continuous-time model, we can use our insight into the system to decide the system structure and have a direct interpretation of the parameters. Furthermore, in systems such as network control systems and sensor networks, there is a common feature that the output data is quantized meaning we can only represent our data with a limited amount of distinct values. When performing continuous-time system identification of a system with quantized output data, we have errors from process and measurement noise and also a quantization error. This will make it more difficult to estimate the system parameters. This thesis aims to evaluate if it is possible to obtain accurate estimates of continuous-time systems with quantized output data using the indirect inference method. Indirect Inference is a simulation-based method that first estimates a misspecified auxiliary model to the observed data and in the second step, the parameters of the true system are estimated by simulations. Experiments are done both on one linear and two non-linear Hammerstein systems with quantized output data. The indirect inference estimator is shown to have the means to yield accurate estimates on both linear systems as well as non-linear Hammerstein systems with quantized output. The method performs better than the simplified refined instrumental variable method for continuous-time systems (SRIVC), which is commonly used for system identification of continuous-time systems, on a linear system. Furthermore, it performed significantly better compared to the Hammerstein Simplified Refined Instrumental Variable method for continuous-time systems (HSRIVC) for one of the non-linear systems and slightly better for the second one. The downside is that indirect inference is computationally expensive and time-consuming, hence not a good choice when computation time is a critical factor / Identifiering av Tidskontinuerlig system är ett viktigt ämne med användningsområde inom många områden. De flesta fysiska processer är tidskontinuerliga och när vi identifierar tidskontinuerliga modeller av dessa system kan vi använda vår insikt av systemet för att bestämma systemstrukturen och även direkt tolka dessa parametrar. I nätverkssystem och sensor-nätverk är det vanligt att vår utdata är kvantiserad, därav kan vi endast representera vår data med ett begränsat antal distinka värden. När vi identifierar tidskontinuerliga system med kvantiserad utdata, har vi därför både fel som ett resultat av process och mätbrus ovh ett kvantiseringsfel. Detta gör det svårare att identifiera parametrarna av systemet. I detta projekt var målet att utvärdera om det är möjligt att erhålla bra estimat för ett tidskontinuerligt system med kvantiserad utdata genom att använda metoden indrect inference. Indirect inference är en simuleringsbaserad metod som först estimerar en misspecificerad model från det observerade datat och i nästa steg, estimerar paramtrarna av det sanna systemet via simulering. Experiment utfördes både på ett linjärt och två olinära Hammerstein system med kvantiserad utdata. Indirect inference metoden visas ha potential att genere bra estimat på både linjära och icke-linära Hammerstein system med kvantiserad utdata. Metoden presterar bättre än SimplifiedRefined Instrumental Variable Method for continuous-time systems (SRIVC) på det linjära systemet och även mycket bättre än Hammerstein Simplified Refined InstrumentalVariable method for continuous-time systems (HSRIVC) för ett av det olinjära systemen och lite bättre för det andra. En nackdel med indirect inference är att det är beräkningstungt och att det tar lång tid att generera estimaten. Därav är denna metod inte att rekomendera när tid är en kritisk faktor.