人群计数作为密集人群分析的子任务,在公共安全和城市规划等领域有着重要的应用价值。目前主流的基于密度图回归的人群计数方法能给出较准确的计数结果,但无法提供精确的个体位置信息,限制了其应用范围。基于检测的方法能提供所检出个体的精确位置信息,但由于存在遮挡等问题,导致不可避免地出现漏检现象。因此,如何在保证计数精度的同时,提供精确的个体位置信息仍是亟待解决的重要问题。通过将人群计数视为一类特殊的关键点定位任务,提出一种基于概率图回归的密集人群计数与个体位置估计方法,并用于人流监测中的社交距离计算和拥挤程度分析。针对密度图中密集区域内高斯斑点严重重叠,导致难以区分出不同个体的问题,引入概率图这一中间表示作为网络学习目标,并设计相应的网络结构和损失函数,以得到高质量的概率图。在网络结构上,以高分辨率网络（High Resolution Network,HRNet）为基础,在其头部加入转置卷积模块以细化概率图并提升其分辨率至原图像大小。以像素间的欧式距离和区域结构相似性两者的加权和作为损失函数,通过引入后者来关注前者所忽视的概率图中存在的局部相关性,从而提升预测概率图的质量。然后,使用滑动窗口寻找概率图中的局部峰值来确定人头中心点,以同时完成计数和个体定位。利用透视变换将定位到的人头中心点变换到鸟瞰图平面,继而通过鸟瞰图计算社交距离。利用高斯核平滑鸟瞰图中的人头中心点,来生成人群分布热图以直观展示拥挤程度。在NWPU-Crowd等公开人群数据集上进行实验,结果表明,与同时完成计数和个体定位的最新方法TopoCount相比,所提出算法的计数平均绝对误差降低了16.8%,定位性能综合评价指标F1值提高了1.4%。以该算法为基础,设计并实现了一个人流监测系统。系统支持人流量统计、社交距离计算和拥挤程度分析等功能。实测结果表明,该系统能够满足实际使用的需要,对于开发实用的人群分析系统具有参考价值。