本发明涉及一种在线时空语义融合方法和系统。该方法包括：获取待语义融合对象的初始数据和2D语义分割网络；以初始数据为输入，采用2D语义分割网络确定单帧点云数据中每一数据点的信息；以体素为基本单位，将单帧点云数据变换到三维世界坐标系中，并使用字典数据结构建立三维体素网格地图；根据三维体素网格地图中的体素生成体素数据集；获取在线时空语义融合网络；以体素数据集中体素的图像特征向量为输入，采用在线时空语义融合网络确定待语义融合对象的三维语义融合地图。本发明提供的方法和系统，创新性的使用基于注意力机制的网络化方法，以解决现有技术只能追溯有限帧数据，无法充分利用历史信息的问题，具有效率高、语义融合完全的特点。