以下是一个示例解决方案，其中包含一个函数normalize_matrix，该函数将一个包含列表的矩阵进行归一化处理。

def normalize_matrix(matrix):
    rows = len(matrix)
    cols = len(matrix[0])
    
    # 计算每列的最大值和最小值
    max_vals = [max(matrix[i]) for i in range(rows)]
    min_vals = [min(matrix[i]) for i in range(rows)]
    
    # 归一化处理
    normalized_matrix = []
    for i in range(rows):
        normalized_row = []
        for j in range(cols):
            normalized_value = (matrix[i][j] - min_vals[i]) / (max_vals[i] - min_vals[i])
            normalized_row.append(normalized_value)
        normalized_matrix.append(normalized_row)
    
    return normalized_matrix

# 示例用法
matrix = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
normalized_matrix = normalize_matrix(matrix)
print(normalized_matrix)

输出结果为：

[[0.0, 0.5, 1.0], [0.0, 0.5, 1.0], [0.0, 0.5, 1.0]]

以上示例中，我们首先计算每列的最大值和最小值，然后对每个元素进行归一化处理。归一化的公式为 (原始值 - 最小值) / (最大值 - 最小值)。最后，我们将归一化后的矩阵作为结果返回。