现有5000张未经标注的垃圾图片，需要利用深度学习技术训练网络模型，实现对后期新数据的分类。如果你是该项目的负责人，谈谈你是如何构思的。

如果我是该项目的负责人，我会采用以下步骤：

1. 数据预处理：首先需要将5000张未经标注的垃圾图片进行预处理，包括数据清洗和数据增强等。数据清洗可以去除一些明显有问题的图片，数据增强可以通过旋转、缩放、翻转等方式增加数据量，从而提高模型的泛化能力。

2. 模型选择：针对分类任务，可以选择常见的卷积神经网络（CNN）模型，例如ResNet、VGG、Inception等。在选择模型的同时，需要考虑模型的复杂度和训练速度等因素。

3. 模型训练：可以采用监督学习的方式进行模型训练。具体来说，可以将部分数据作为训练集和验证集，利用交叉验证等方法进行模型训练和调优。在进行模型训练时，需要注意防止过拟合和欠拟合等问题。

4. 模型评估：针对分类任务，可以采用准确率、精确率、召回率等指标对模型进行评估。如果模型的表现不理想，可以考虑调整模型架构或者增加更多的训练数据等。

5. 模型应用：在模型训练完成后，可以将模型应用于未来的新数据分类任务中。如果新数据与训练数据有较大差异，可以考虑重新训练模型或者进行迁移学习等方法来提高模型的泛化能力。

总之，深度学习技术可以非常有效地应用于图像分类任务中，但是需要注意数据预处理、模型选择和训练调优等各个环节，才能获得一个高效准确的分类模型。